La transformation digitale a entraîné l’apparition d’un vocabulaire émergent dans le

monde de l’entreprise : big data, data mining, machine learning. Dans cette partie, on va
essayer de vous expliquer la différence de sens entre ces termes techniques.

Le big data
Le big data, ou méga données en français, c’est un peu le socle commun de tous les
concepts. Aujourd’hui, de plus en plus de données sont stockées sur les serveurs par les
entreprises : les données sur la production, les ventes, les données clients, les données
comptables, etc. L’utilisation croissante des réseaux sociaux et des objets connectés
participent activement à cette collecte massive des données sur les comportements des
utilisateurs.
Mais le big data n’est pas seulement une affaire des volumes importants des données :
cela renvoie aussi à la très grande variété des informations (du texte, des chiffres, des
images, des vidéos, des likes, des tweets…) et à la vitesse à laquelle les données sont
générées. Par exemple, sur Facebook, vous n’avez pas besoin d’attendre 3 jours pour
recevoir les dernières statistiques de votre page car les données sont mises à jour en
temps réel. On parle généralement des « 3V » du big data : Volume, Vitesse, Variété, ce
modèle toujours d’actualité fut complété par IBM qui a ajouté un 4eme V la véracité des
données cad leur fiabilité et leur qualité. Plus récemment, 4 nouvelles dimensions
pertinentes ont été ajoutées : la valeur (cad les valeurs que représentent ces données
apportent de nouvelles connaissances), la visibilité des données à travers des tableaux
récapitulatifs, la datavisualisation (concerne la représentation des données sous formes
intelligentes, pratiques et interactives) et les opportunités offertes par la gestion de ces
données en termes d’économie d’échelle et de métier.

Le data mining
Parce que les données en disent beaucoup sur les préférences des clients, elles
constituent des enjeux commerciaux et marketing pour l’entreprise. Le data mining,
littéralement extraction de données, peut etre défini comme étant le procédé qui
permet de trouver des corrélations entre de nombreuses bases de données
relationnelles.
On peut résumer le processus du data mining comme étant est une technique qui
permet d’extraire et d’analyser les big data pour en tirer des informations pertinentes.
Très simplement, les logiciels de data mining traitent l’immense quantité de données
pour en faire ressortir des tendances, des modèles, des corrélations.
Les modèles et les corrélations établis par le data mining permettent non seulement de
comprendre le présent, mais aussi d’anticiper les comportements.

À quoi sert le Data Mining dans le marketing ?

Grâce au Data Mining, les entreprises peuvent déterminer les relations entre les
facteurs internes tels que les prix, le positionnement d’un produit, les compétences des
employés et les facteurs externes comme les indicateurs économiques, la
concurrence, ou les informations démographiques sur les consommateurs.
Elles peuvent ensuite déterminer l’impact de ces relations sur les ventes, la
satisfaction des consommateurs, et les bénéfices de l’entreprise. Enfin, ces relations
peuvent être converties en informations pour obtenir des détails sur les données
transactionnelles.
Avec le Data Mining, une ese peut utiliser les enregistrements des achats de clients
en point de vente pour envoyer des promotions ciblées basées sur l’historique d’achat
d’un individu. En utilisant les données démographiques sur les commentaires des
cartes de garantie, le vendeur peut développer des produits et des promotions pour
attirer certains segments de consommateurs.

Exemples concrets de l’utilisation du Data Mining

À titre d’exemple, une chaîne d’épiceries s’est servie des logiciels de Data Mining
d’Oracle pour analyser les modèles d’achats locaux. L’enseigne à découvert que,
lorsque les hommes achètent des couches le jeudi et le samedi, ils ont également
tendance à s’acheter des bières. Une analyse approfondie a également démontré que
ces clients font habituellement leurs courses hebdomadaires le samedi. Le jeudi, ils se
contentent d’acheter quelques articles seulement. La chaîne en a conclu que les
clients achètent leurs bières pour qu’elles soient prêtes pour le weekend.
Cette nouvelle information découverte a pu être utilisée de différentes façons pour
augmenter le chiffre d’affaires. Par exemple, le rayon bière a été déplacé plus près du
rayon couches. De même, la chaine s’est assuré que les bières et les couches ne
seraient plus soldées le jeudi.

Le machine learning
Le machine learning, ou apprentissage automatique, va encore plus loin que le data
mining. Ce dernier établit des tendances pour comprendre et anticiper, puis les
humains prennent des décisions. Avec le machine learning, la prise de décision
devient artificielle : il n’y a pas d’humain pour prendre les décisions, c’est la machine
qui décide automatiquement.
En fait, le machine learning est un logiciel programmé par des humains qui permet
ensuite à la machine de fonctionner de manière autonome. Sa force est de s’appuyer
sur des algorithmes afin de traiter les données et apprendre des règles au fur et à
mesure. En mars 2016, la victoire 4-1 d’AlphaGo (un logiciel développé par Google)
face à un champion de go coréen est un exemple des capacités extraordinaires du
machine learning.
On peut aussi citer l’exemple d’Amazon et Netflix qui, à partir de nos recherches et
nos commandes précédentes, proposent des livres, des films, des séries et des
musiques qui correspondent parfaitement à nos goûts personnels.

Et voilà. En bref, les données sont de plus en plus nombreuses à l’heure du

marketing digital (big data). Il est donc essentiel pour les entreprises de les
analyser pour personnaliser la relation client et anticiper les tendances (data
mining lorsque les humains prennent les décisions, machine learning lorsque la
machine décide automatiquement). Cette révolution des données transforme
aujourd’hui la prise de décision dans les entreprises plus précise et plus facile.