1 Akter-Wamba2016 - Article - BigData1 AnalyticsInE-commerceAS FR

Abonnez-vous à DeepL Pro pour modifier ce document.
Visitez www.DeepL.com/Pro pour en savoir plus.
Marchés électroniques (2016)

26:173-194 DOI 10.1007/s12525-
DOCUMENT DE POSITION
016-0219-0
L'analyse des grandes données dans le commerce électronique :

un examen systématique et un programme de recherche pour
l'avenir
Shahriar Akter 1 & Samuel Fosso Wamba 2
Reçu : 1er septembre 2015 / Accepté : 26 février 2016 / Publié en ligne : 16 mars 2016
# Institut d'informatique appliquée de l'Université de Leipzig 2016
Résumé Ces dernières années, l'accent a été mis de plus l'intérêt pour les grandes données, tant de la part des
en plus sur l'analyse des grandes données (BDA) dans le universités que de l'industrie du commerce électronique.
commerce électronique. Cependant, ce concept reste peu Cette explosion est due au fait que les entreprises de
exploré, ce qui en empêche le développement théorique et commerce électronique qui
pratique. Cette prise de position examine la BDA dans le
commerce électronique en s'appuyant sur une réévaluation
systématique de la littérature. Le document présente un
cadre interprétatif qui explore les aspects définitionnels,
les caractéristiques distinctives, les types, la valeur
commerciale et les défis de la BDA dans le paysage du
commerce électronique. Le document déclenche également
des discussions plus larges concernant les défis et les
opportunités de la recherche future en théorie et en
pratique. Dans l'ensemble, les résultats de l'étude
synthétisent divers concepts de BDA (par exemple, la
définition des données importantes, les types, la nature, la
valeur commerciale et les théories pertinentes) qui
fournissent des informations plus approfondies sur les
applications analytiques transversales du commerce
électronique.
Mots clés Analyse des données importantes . Commerce

électronique . Valeur commerciale
Classification JEL M15 . M310
Introduction
Ces dernières années, on a assisté à une explosion de

d'injecter de grandes quantités de données analytiques le contexte du commerce électronique, "les données
(BDA) dans leur expérience de la chaîne de valeur, avec importantes permettent aux commerçants de suivre le
une productivité de 5 à 6 % supérieure à celle de leurs comportement de chaque utilisateur et de relier les points
concurrents (McAfee et Brynjolfsson 2012). Une étude pour déterminer les moyens les plus efficaces de convertir
récente de la BSA Software Alliance aux États-Unis les clients occasionnels en acheteurs réguliers" (Jao
(USA) indique que la BDA contribue à 10 % ou plus de la 2013,p.1). L'analyse des grandes données (BDA) permet
croissance pour 56 % des entreprises (Columbus 2014). aux entreprises de commerce électronique d'utiliser les
Par conséquent, 91 % des entreprises du classement données plus efficacement, d'obtenir un taux de conversion
Fortune 1000 investissent dans des projets BDA, soit une plus élevé, d'améliorer la prise de décision et de donner
augmentation de 85 % par rapport à l'année précédente plus de pouvoir aux clients (Miller 2013). Selon la théorie
(Kiron et al. 2014a). Si l'utilisation des technologies des coûts de transaction dans le commerce électronique
émergentes basées sur l'internet offre aux entreprises de (Devaraj et al. 2002 ; Williamson 1981), la BDA peut
commerce électronique des avantages en termes de profiter aux entreprises en ligne en améliorant l'efficacité
transformation (par exemple, un service à la clientèle en des coûts de transaction du marché (par exemple,
temps réel, une tarification dynamique, des offres l'interaction acheteur-vendeur en ligne), l'efficacité des
personnalisées ou une meilleure interaction) (Riggins coûts de transaction de gestion (par exemple, l'efficacité
1999), la BDA peut renforcer encore ces effets en des processus - algorithmes de recommandation par
permettant des décisions éclairées fondées sur des Amazon) et l'efficacité des coûts en termes de temps (par
observations critiques (Jao 2013). Plus précisément, dans exemple, recherche, négociation, etc.).
et le contrôle après vente). En s'appuyant sur la
Rédacteur responsable : Rainer Alt (RBV) (Barney 1991), nous avons fait valoir que la BDA
est une compétence distincte du processus commercial à
* Shahriar Akter haute performance pour répondre aux besoins des
sakter@uow.edu.au entreprises, comme l'identification de clients fidèles et
rentables, la détermination du prix optimal, la détection des
problèmes de qualité ou la détermination du niveau
1Université
de Wollongong, NSW 2500, Australie d'inventivité le plus bas possible (Davenport et Harris
2NEOMA
Business School, Rouen 76825, France 2007a). En plus de la RBV, cette recherche considère la
BDA du point de vue de l'ontologie relationnelle du
sociomatérialisme, qui met en avant le
174 Akter S., Wamba S.F.
L'argument selon lequel les différentes capacités

Tableau 1 Croissance mondiale du commerce électronique et des
organisationnelles (par exemple, la gestion, la technologie grandes analyses de données (BDA)
et le talent) sont intrinsèquement liées (Orlikowski 2007) et
se soutiennent mutuellement (Barton and Court 2012) dans
la réalisation des performances de l'entreprise. Enfin, la
commercialisation des services offre la perspective
d'améliorer les modèles d'innovation des services, ce qui a
été reflété par des entreprises telles que Rolls Royce
(Barrett et al. 2015), Amazon, Google et Netflix
(Davenport et Harris 2007a). En tant que telle, la littérature
existante identifie la BDA comme la plateforme pour "la
croissance de l'emploi, l'augmentation de la productivité et
l'accroissement du surplus du consommateur" (Loebbecke
et Picot 2015, p.152), la "prochaine grande chose en
matière d'innovation" (Gobble 2013, p.64) ; "le quatrième
paradigme de la science" (Strawn (2012) ; "la prochaine
frontière pour l'innovation, la concurrence et la
productivité" (p. 1) et la prochaine "révolution de la
gestion" (p. 3) (McAfee et Brynjolfsson 2012) ; ou que la
BDA "apporte une révolution dans la science et la
technologie" (Ann Keller et al. 2012) ; etc. En raison de
l'impact élevé du commerce électronique, notamment en
termes de création de valeur commerciale, la BDA est
récemment devenue le centre d'intérêt des recherches
universitaires et industrielles (Fosso Wamba et al. 2015c).
Comme le montre le tableau 1, le marché de la BDA
connaît une croissance constante, de même que le nombre
de clients du commerce électronique mondial et leur
chiffre d'affaires par habitant.
Bien qu'un nombre croissant de documents publiés se
soit concentré sur les praticiens dans ce domaine, la
littérature reste largement anecdotique et fragmentée. Il y a
un manque de recherche qui fournit une taxonomie
générale à partir de laquelle on peut explorer les
dimensions et les applications des grandes données dans le
domaine de la commerce électronique. L'objectif de cette
recherche est donc d'identifier les différentes dimensions
conceptuelles des grandes données dans le commerce
électronique et leur pertinence pour la valeur commerciale.
Ce document se concentre sur les entreprises de commerce
électronique qui saisissent la valeur commerciale en
utilisant l'analyse des grandes données (BDA). La
littérature existante montre que la BDA pourrait permettre
à une entreprise de commerce électronique d'obtenir toute
une série d'avantages, tels que : des stratégies de
tarification améliorées pour les produits et les services
(Christian 2013) ; une publicité ciblée ; une meilleure
communication entre la recherche et le développement
(R&D) et le développement de produits ; u n meilleur
service à la clientèle ; une meilleure gestion des
ressources humaines ; une meilleure gestion des
ressources humaines ; une meilleure gestion des
ressources humaines.
L'analyse des données dans le 175
l'intégration et la coordination
commerce électronique multicanaux ;
l'amélioration de l'approvisionnement mondial à partir de Dans l'ensemble, ce document vise à fournir une
plusieurs unités et sites commerciaux et, globalement, la représentation approfondie de la signification des grandes
proposition de modèles et de moyens permettant de saisir données dans le contexte du commerce électronique. Nous
une plus grande valeur commerciale (Beath et al. 2012 ; avons organisé ce document en cinq parties principales.
Fosso Wamba et al. 2015a ; Sharma et al. 2014). La Tout d'abord, dans la deuxième partie, nous expliquons la
question de recherche qui a motivé cette étude se gestalt méthodologique et présentons les résultats de notre
examen systématique. En rassemblant ces informations,
concentre sur : en quoi l'"analyse des grandes données"
diffère-t-elle de l'analyse traditionnelle dans dans la section 3, nous définissons ensuite le rôle des
l'environnement du commerce électronique en ce qui grandes données dans le commerce électronique et
identifions d'autres définitions possibles. Ensuite, dans la
concerne la création de valeur commerciale ? Pour
répondre à cette question de recherche, le pa- per vise à section 4, nous analysons les caractéristiques et les types
de données importantes dans le cadre du commerce
fournir une taxonomie générale afin d'élargir le statut
inférieur de la BDA et son rôle dans la création de valeur électronique. Troisièmement, dans la section 5, nous
recommandons différents types de valeur commerciale qui
commerciale. Plus précisément, les objectifs de ce
peuvent être dérivés en utilisant la BDA dans le domaine
document sont les suivants :
du commerce électronique. Enfin, nous identifions les défis
et proposons des solutions pour les relever afin de favoriser
& Identifier les perspectives définitionnelles de l'analyse
des grandes données la croissance de la BDA dans le commerce électronique.
& Pour distinguer les caractéristiques des grandes
données dans le cadre du commerce électronique
& Explorer les types de données importantes dans le cadre Approche de la recherche
du commerce électronique
& Pour illustrer la valeur commerciale des grandes L'étude s'est appuyée sur une revue de la littérature pour
données dans le commerce électronique identifier et évaluer les connaissances actuelles sur les
& Fournir des lignes directrices pour relever les défis de aspects définitionnels, les attributs, les types et la valeur
l'application de données volumineuses dans le cadre commerciale de la BDA dans le commerce électronique.
du commerce électronique.
En définissant le commerce électronique, Kalakota et
Année Croissance du Croissance des Croissance du
nombre de clients du ventes de marché mondial Whinston (1997) ont examiné quatre perspectives : l'achat
commerce commerce de l'analyse des et la vente en ligne, les processus commerciaux basés sur la
électronique dans le électronique par grandes données technologie, la communication des informations et le
monde (en millions) client dans le
US$) (BDA) (en
service à la clientèle. Toutefois, cette définition ne met pas
monde (en milliards)
2011 792.6 1162 7.3 suffisamment l'accent sur les coûts de transaction et
2012 903.6 1243 11.8 d'autres aspects du commerce électronique (par exemple,
2013 1015.8 1318 18.6 B2B, B2G, C2C, etc.). Ainsi, pour éclairer ces aspects
2014 1124.3 1399 28.5
essentiels, Frost et Strauss (2013) élargissent la définition
2015 1228.5 1459 38.4 en se concentrant sur l'achat et la vente en ligne, la création
de valeur numérique, les marchés et les vitrines virtuels et
les nouveaux intermédiaires de distribution. Toutefois, cette
définition met fortement l'accent sur
2016 1321.4 1513 es sur l'e-marketing et ne parvient pas à intégrer d'autres e
45.3
les processus commerciaux. En tant que telle, cette étude
propose une approche plus
Source : Adapté de emarketer (2013) et (Piatetsky 2014) une définition globale du commerce électronique dans un
environnement de données volumineuses,
qui vise à atteindre à la fois la valeur de transaction (c'est- déclencheur pour les recherches ultérieures sur les ana-
à-dire les économies de coûts, l'amélioration de la lytiques à grandes données.
productivité et de l'efficacité) et la valeur stratégique (c'est- L'étude a identifié les publications pertinentes en
à-dire les avantages concurrentiels, les performances de formant des chaînes de recherche qui combinent les mots
l'entreprise) sur les marchés numériques en transformant la clés "big data analytics*" avec une gamme différente de
production, les stocks, l'innovation, le risque, les finances, termes et d'expressions. En utilisant des symboles de carte
les connaissances, la gestion des relations et des sauvage, l'étude a réduit le nombre de chaînes de recherche
ressources humaines à l'aide de données analytiques car, par exemple, "big data analytics*" pouvait renvoyer des
(Wixom et al. 2013). résultats pour "big data analytic" et "big data analysis".
Cette étude explore les "grandes données" dans Au départ, la recherche s'est concentrée sur le commerce
l'environnement du commerce électronique, c'est-à-dire les électronique en tant que source de données la plus pertinente
énormes quantités de transactions, de flux de clics, de voix pour les grandes analyses de données.
et de données vidéo dans le paysage du commerce
électronique (Davenport et al. 2012). L'étude a adopté une
approche systématique pour établir la rigueur tout au long
de l'examen : elle s'est basée sur une approche similaire
utilisée par Ngai et Wat (2002) et Vaithianathan (2010)
dans la recherche sur le commerce électronique et par
Benedettini et Neely (2012) dans la recherche sur les
systèmes de services. Le processus d'examen a adopté un
protocole qui décrit les critères, la portée et la
méthodologie à chaque étape. En raison de la nature sous-
jective de l'étude, l'approche systématique a été adaptée
aux objectifs spécifiques de l'étude. L'étude a appliqué un
processus scientifique et transparent tout au long du
processus afin de rendre le processus de révision plus
précis et moins biaisé.
Le processus d'examen a été guidé par la question de
recherche suivante : quelles sont les perspectives
définitionnelles, les caractéristiques distinctives, les types,
les aspects de la valeur commerciale et les défis de la BDA
dans le commerce électronique ? Ces aspects de la question
de recherche ont guidé le processus d'examen en identifiant
correctement les domaines, les études pertinentes, les
sources de matériel et les critères d'inclusion et d'exclusion.
L'examen visait à fournir des solutions pragmatiques à la
question de recherche en saisissant les aspects pertinents et
significatifs avec le soutien de preuves empiriques. Par
conséquent, les principales composantes du commerce
électronique (par exemple, le développement de produits,
les opérations, le marketing, les finances et la gestion des
ressources humaines, ainsi que les systèmes d'information)
ont été étudiées par rapport à la BDA et à la valeur
commerciale. Nous avons regroupé des disciplines qui ne
sont pas directement liées à nos intérêts de recherche, telles
que la biologie, la chimie, la géologie, la physique ou la
statistique. Comme la recherche sur la BDA est un
domaine émergent, une recherche menée entre 2006 et
2014 a été considérée comme représentative. Nous avons
fixé la limite inférieure à 2006 parce que cette année-là, le
premier article fondateur "Concurrencing on Analytics" a
été publié par Davenport (2006) dans la Harvard Business
Review (cité plus de 500 fois). L'examen systématique de
l'étude a permis d'identifier ce document comme un
par les entreprises
commerce électroniquede commerce électronique. L'étude a approfondie a permis de dégager un ensemble de 5 codes
effectué une recherche dans la base de données en initiaux. Bien que le codage ouvert ait été éclairé par les
combinant les mots clés "big data analytics" avec les codes issus de l'analyse documentaire, les codeurs étaient
termes "electronic commerce*", "e-commerce*", "big ouverts pour identifier des dimensions supplémentaires qui
data analytics* AND e-commerce*", et "big data n'étaient pas présentes dans la littérature actuelle (Spiggle
1994). Toutefois, les codeurs ont établi une correspondance
analytics* AND electronic commerce*". Dans l'ensemble,
initiale entre la littérature et les cinq catégories identiques
l'étude a identifié et soumis à un groupe d'experts (n = 10)
un total de 33 chaînes de recherche provenant de (identification des besoins, segmentation du marché, prise
différents domaines des études sur le commerce de décision et amélioration des performances, innovation
électronique (c'est-à-dire le marketing, la gestion des de nouveaux produits, marchés et modèles d'entreprise et
opérations, la gestion stratégique, la gestion des création de nouveaux produits, marchés et modèles
ressources humaines, le commerce électronique et les d'entreprise).
systèmes d'information). Le panel représentait une équipe
d'experts composée d'un universitaire et d'un praticien de
l'analyse de chaque filière afin de valider le protocole
d'examen.
Notre recherche a commencé le 1er novembre 2014 et
s'est terminée le 20 décembre 2014. L'étude a examiné
des revues scientifiques, des périodiques et du contenu
web de qualité en explorant cinq bases de données :
Scopus (Elsevier) ; Web of Knowledge (Thomson
ISI) ; ABI/Inform Complete (ProQuest) ; Business
Source Complete (EBSCO Host) ; et Emerald, IEEE
Xplore et ScienceDirect (Taylor & Francis). En outre, une
recherche similaire a été effectuée dans le panier des
meilleures revues de l'Association of Information
Systems (AIS). En ajoutant le panier des meilleures
revues, l'étude a intégré les principales bases de données
utilisées par les études précédentes qui avaient une
approche similaire (Fosso Wamba et al. 2013 ; Lim et al.
2013b ; Ngai et al. 2008 ; Ngai et al. 2009) ainsi que des
informations importantes provenant des principales revues
sur les systèmes d'information (SI).
Les recherches ont été limitées au champ du résumé, à
l'exception de la base de données du Web of Knowledge
dans laquelle le sujet (c'est-à-dire le résumé, le titre et les
mots clés) a été utilisé. Au total, 121 articles ont été
téléchargés et examinés. Comme l'étude visait à recueillir
le plus grand nombre possible d'avis sur la BDA dans le
commerce électronique, une évaluation de la qualité a été
établie pour préserver la clarté des contributions des
documents aux questions de recherche (Birnik et Bowman
2007). À ce stade, 32 documents ont été identifiés. Sept
autres documents ont été jugés pertinents car ils étaient
clairement axés sur la BDA dans divers secteurs, y
compris le commerce électronique. Le recoupement a
permis d'identifier cinq autres documents qui pouvaient
être inclus. À ce stade, l'étude a inclus manuellement
quatre autres documents, ce qui a donné la liste finale de
48 documents. Dans l'ensemble, les critères utilisés pour
sélectionner chaque document contenaient une indication
explicite ou implicite de la BDA dans le paysage du
commerce électronique.
Nous avons adopté une analyse thématique de la revue
de la littérature (Ezzy 2002) qui a été particulièrement
guidée par Braun et Clarke (2006). Cette analyse
infrastructure et transparence). À ce stade, pour établir une génère des invites "vous pourriez aussi vouloir" pour
rigueur supp lémentair e dans l'analyse du identifier les besoins éventuels des clients sur la base de
co ntenu, nous avons estimé l 'alpha (ou, Kalpha) de l'analyse des transactions qu'ils ont effectuées et de leur
Krippendorff, qui est une mesure de fiabilité robuste opinion sur les livres (Manyika et al. 2011). Dans le cadre de
indépendamment du nombre d'observateurs, des niveaux de l'infrastructure et de la transparence, Google utilise des
mesure, de la taille des échantillons et de la présence ou de données importantes pour affiner les algorithmes de
l'absence de données erronées (Krippendorff 2004, 2007). recherche et de diffusion d'annonces (Davenport et Patil
Pour estimer le Kalpha, tout d'abord, chacun des sous- 2012). De même, Macys, un détaillant en ligne aux États-
Unis, a développé une infrastructure d'analyse qui peut
échantillons de 48 articles a été codé de manière
optimiser le prix de 73 millions d'articles en un peu plus
indépendante par deux juges en utilisant une échelle
d'une heure (Davenport et al. 2012). Macy's analyse
nominale allant de 1 à 5 (c'est-à-dire, 1 = identification des
également les données au niveau de l'unité de gestion des
besoins, 2 = segmentation du marché, 3 = prise de décision
stocks (SKU) pour s'assurer que les produits des différents
et amélioration des performances, 4 = innovation de
assortiments sont facilement
nouveaux produits/marchés/modèles d'entreprise, 5 =
création d'une infra-structure et transparence). Ensuite,
nous avons téléchargé les données codées dans le progiciel
de statistiques IBM SPSS (version 21) et effectué l'analyse
en suivant les directives de Hayes (2011) et De Swert
(2012) pour juger de la fiabilité inter-juges des variables
codées (Hayes et Krippendorff 2007). Enfin, les résultats
nous ont fourni une valeur Kalpha décente de 0,82, ce qui
correspond à la valeur limite de 0,80 (De Swert 2012), et
nous fournit une preuve adéquate de la fiabilité de l'analyse
du contenu.
Le tableau 2 présente la répartition globale de la
littérature qui couvre 5 aspects de la BDA dans le
commerce électronique. Il convient de noter que de
nombreux articles ont été publiés plus d'une fois, car ils
couvraient de multiples aspects. Il est clair que la grande
majorité des publications appartenaient à la catégorie "prise
de décision et amélioration des performances" (48
articles, soit 36 % de l'ensemble des publications). En
effet, le succès final du commerce électronique dépend de
la prise de décision commerciale en temps réel, ce qui peut
expliquer le nombre élevé de publications consacrées à
cette catégorie. L'étude a révélé que la plupart des études
soutiennent l'association entre des analyses sophistiquées et
une prise de décision solide basée sur des informations
exploitables. Par exemple, en utilisant des analyses
solides, LinkedIn a décidé d'introduire de nouvelles
fonctionnalités, telles que "People You May Know", "Jobs
You May Be interested In", "Groups You May Like",
"Companies You May Want to Follow" et a obtenu un
taux de clics supérieur de 30 % (Barton and Court 2012).
Viennent ensuite "l'identification des besoins" et "la
création d'une infrastructure et la transparence" avec 24
articles pour chaque catégorie (ou 18 % pour chaque
domaine). L'identification des besoins" fait référence à
l'identification des besoins précis des clients en explorant
les données relatives aux transactions importantes, tandis
que "l'infrastructure et la transparence" se concentre sur la
mise à disposition d'informations pertinentes par le biais
des réseaux afin de prendre des décisions en temps utile.
Par exemple, le moteur de recommandation d'Amazon
disponibles. Enfin, l'étude a identifié "l'innovation de
commerce électronique stockage et d'analyse liées au traitement des données
nouveaux produits/marchés/modèles commerciaux" avec volumineuses. Selon la définition de Gantz et Reinsel
22 articles (soit 17 % de toutes les publications), et la (2012), les données volumineuses se concentrent sur trois
caractéristiques principales : les données elles-mêmes,
"segmentation du marché" avec 14 articles, soit 11 % de
l'analyse des données et la présentation des résultats de
toutes les publications. Par exemple, Netflix Inc. a créé
l'analyse qui permettent de créer de la valeur commerciale
divers segments de clientèle (par exemple, aventures,
en termes de nouveaux produits ou services. Dans
films policiers, films de famille, films sur livres, etc.) en
l'ensemble, l'étude définit les données importantes en
analysant plus d'un milliard de critiques dans des
termes de cinq V : volume, vitesse, variété, véracité et valeur
catégories telles que aimé, aimé, détesté, etc. ) en
analysant plus d'un milliard de critiques dans des (White, 2012). Le "volume" fait référence aux quantités de
catégories telles que aimé, aimé, détesté, etc. (Davenport données importantes, qui augmentent de manière
et Harris 2007b). ) en analysant plus d'un milliard de exponentielle. La "vitesse" est la vitesse de collecte, de
critiques dans des catégories telles que "aimé", "aimé", traitement et d'analyse des données en temps réel. La
"détesté", etc. (Davenport et Harris 2007b). En "variété" fait référence aux différents types de données
utilisant un outil de visualisation et d'analyse de dé- collectées dans un environnement de données
mandant, Netflix a introduit le programme "House of volumineuses. La "véracité" représente la fiabilité des
Cards" aux États-Unis (USA) qui est un énorme succès en sources de données. Enfin, la "valeur" représente les
tant que nouveau produit (Ramaswamy 2013). Dans avantages transactionnels, stratégiques et informationnels
l'ensemble, cette étude identifie ces cinq grands aspects des grandes données (Fosso Wamba et al. 2015b ; Wixom
dans lesquels les organisations peuvent créer de la valeur 2013).
commerciale en exploitant l'analyse des grandes données
(voir tableau 2).
Définir l'analyse des données importantes

dans l'environnement du commerce
électronique
Les entreprises de commerce électronique sont l'un des

groupes d'adeptes de la BDA les plus rapides en raison de
leur besoin de rester au top de leur art (Koirala 2012).
Dans la plupart des cas, les entreprises de commerce
électronique traitent à la fois des données structurées et
non structurées. Alors que les données structurées se
concentrent sur les données démographiques, notamment
le nom, l'âge, le sexe, la date de naissance, l'adresse et les
préférences, les données non structurées comprennent les
clics, les goûts, les liens, les tweets, les voix, etc. Dans
l'environnement BDA, le défi consiste à traiter les deux
types de données afin de générer des informations utiles
pour augmenter les conversions. Schroeck et ses
collaborateurs (2012) ont constaté que la définition des
grandes données intègre plusieurs dimensions, notamment
: une plus grande portée des informations ; de nouveaux
types de données et d'analyses ; des informations en temps
réel ; des formes non traditionnelles de données
médiatiques ; des données issues de nouvelles
technologies ; un grand volume de données ; le dernier
mot à la mode ; et des données de médias sociaux. En
définissant les données volumineuses, IBM (2012),
Johnson (2012a) et Davenport et autres (2012) se sont
davantage concentrés sur la variété des sources de
données, tandis que d'autres auteurs, tels que Rouse
(2011), Fisher et autres (2012), Havens et autres (2012) et
Jacobs (2009) ont mis l'accent sur les exigences de
Tableau 2 Applications
de l'analyse des grandes BDA dans les E-commerce références%%.
données (BDA) dans le
commerce électronique
Besoins identification (McAfee et Brynjolfsson 2012), (Bughin et al. 2010), 24 18 %
(Brown et al. 2011), (LaValle et al. 2011), (Allen et al.
2012), (Ann Keller et al. 2012), (Beath et al. 2012), (Boja
et al.
2012), (Boyd et Crawford 2012), (Hsinchun et al. 2012),
(Demirkan et Delen 2012), (Fisher et al. 2012), (Huwe
2012), (Wagner 2012),(Davenport et al. 2012), (Johnson
2012b), (Tankard 2012), (White 2012), (Bennett et al.
2013), (Minelli et al. 2013), (Lim et al. 2013a),
(Constantiou et Kallinikos 2014), (Agarwal et Dhar
2014), (Wixom et al. 2013) 1411 %
Market segmentation (Bughin et al. 2010), (Ann Keller et al. 2012), (Beath et al.
2012), (Boyd et Crawford 2012), (Demirkan et Delen
2012), (Hsinchun et al. 2012), (Griffin 2012),
(Highfield
2012), (Szongott et al. 2012), (Davenport et al. 2012),
(Tankard 2012), (Wagner 2012), (Davenport et Harris
2007b), (Wixom et al. 2013)
Prise de décision et (Bughin et al. 2010), (Brown et al. 2011), (Bughin et al. 48 36 %
l'amélioration des 2011),
performances (LaValle et al. 2011), (Hsinchun et al. 2012), (Boyd et
Crawford 2012), (Allen et al. 2012), (Ann Keller et al.
2012), (Boja et al. 2012), (Beath et al. 2012), (McAfee et
Brynjolfsson 2012), (Demirkan et Delen 2012),
(Davenport et al. 2012) (Fisher et al. 2012), (Gehrke
2012), (Griffin 2012), (Griffin et Danson 2012), (Huwe
2012), (Johnson 2012b), (Johnson 2012a), (Lane 2012),
(Ohata et Kumar 2012), (Szongott et al. 2012), (Tankard
2012),
(Wagner 2012), (White, 2012), (Bennett et al. 2013),
(Koch 2013), (Rajpurohit 2013), (Mithas et al. 2013),
(Kung et al. 2013), (Dimon 2013), (Minelli et al. 2013),
(Davenport 2006), (Viaene et Van den Bunder 2011),
(Waller et Fawcett 2013), (Goes 2014), (George et al.
2014), (Constantiou et Kallinikos 2014), (Agarwal et Dhar
2014 ; Agarwal et Weill 2012), (Kiron et al. 2012a),
(Kiron et al. 2014a), (Mithas et al. 2013), (Wixom et al.
2013),
(Mehra 2013), (Kopp 2013), (Miller 2013)
Nouveau produit/marché (Bughin et al. 2010), (Bughin et al. 2011), (LaValle et al. 22 17 %
/innovations du modèle 2011), (Brown et al. 2011), (Ann Keller et al. 2012),
d'entreprise (Beath et al. 2012), (Boyd et Crawford 2012), (McAfee
et Brynjolfsson 2012), (Hsinchun et al. 2012), (Demirkan
et Delen 2012), (Fisher et al. 2012), (Gehrke 2012),
(Griffin
2012), (Griffin et Danson 2012), (Huwe 2012), (Johnson
2012b), (Ohata et Kumar 2012), (Tankard 2012), (Wagner
2012), (Kung et al. 2013), (Lim et al. 2013a), (Wixom et
al.
2013)
Créer des infrastructures et (McAfee et Brynjolfsson 2012), (Brown et al. 2011), 24 18 %
de la transparence (Bughin et al. 2011), (LaValle et al. 2011), (Ann Keller et
al. 2012), (Beath et al. 2012), (Boyd et Crawford 2012),
(Hsinchun et al. 2012), (Fisher et al. 2012), (Griffin
2012), (Huwe 2012), (Szongott et al. 2012), (Tankard
2012), (Wagner
2012), (Zeng et Lusch 2013), (Barton et Court 2012),
(Waller et Fawcett 2013), (Goes 2014), (Constantiou et
Kallinikos 2014), (Agarwal et Dhar 2014), (Kiron et al.
2014a), (Mithas et al. 2013), (Wixom et al. 2013),
(Leavitt
2013)
Total 132 100 %
Note : Certains articles sont comptés plus d'une fois parce qu'ils couvrent plus d'un type de BDA dans le
Le volume même de la recherche universitaire et (Agarwal et Weill 2012 ; Bose 2009 ; Davenport 2006 ;
industrielle démontre l'importance des données importantes Davenport 2010, 2012 ; Davenport et al. 2012). Dans l'e-
dans de nombreux domaines fonctionnels du commerce com merce, un grand nombre d'informations relatives aux
électronique, y compris le marketing, la gestion des clients sont disponibles simplement lorsque les clients se
ressources humaines, la production et l'exploitation, et les connectent : ces données sont
finances
un grand intérêt pour les décideurs du monde des affaires. que la BDA fait référence à une analyse comportementale
Bien que la signification des grandes données dans la prise multidimensionnelle qui couvre à la fois les facteurs internes et
de décisions stratégiques soit reconnue et comprise, il y a externes.
encore un manque de consensus sur la définition Dans l'ensemble, il est évident que les modèles
opérationnelle de l'analyse des grandes données (BDA). Il statistiques, contextuels, quantitatifs, prédictifs, cognitifs et
est donc nécessaire d'analyser les définitions des BDA autres sont des conditions préalables nécessaires à l'analyse
mentionnées dans les études précédentes afin d'identifier des grandes données (BDA) (Kiron et al. 2012a). En tant
leurs thèmes communs. Par exemple, Davenport (2006) a que tel, l'étude définit la BDA dans le commerce
indiqué que l'AAD se réfère à l'analyse quantitative des électronique comme un processus holistique qui implique la
grandes données en vue de prendre des décisions collecte, l'analyse, l'utilisation et l'interprétation de données
commerciales. En outre, cet aspect de l'utilité des analyses pour diverses divisions fonctionnelles en vue d'obtenir des
pour la prise de décision a fait l'objet d'autres études telles informations exploitables et de créer une valeur
que celles de Davenport et Harris (2007b), Davenport commerciale,
(2010) et Bose (2009). Alors que Davenport et Harris
(2007b) ont expliqué la BDA à l'aide de mécanismes tels
que l'analyse statistique et l'utilisation d'un modèle
explicatif et prédictif, Bose (2009, p.156) a décrit la BDA
comme le "groupe d'outils" utilisé pour extraire, interpréter
les informations ainsi que pour prédire les résultats des
décisions.
En définissant la BDA, un courant de recherche s'est
concentré sur l'analyse dirigée par la stratégie, ou l'analyse qui
crée une valeur durable pour les entreprises. Par exemple,
LaValle et al. (2011) ont expliqué que l'application de l'analyse
commerciale (ou la capacité d'utiliser des données
volumineuses) pour la prise de décision doit essentiellement
être liée à la stratégie de l'organisation. En effet, l'analyse axée
sur la stratégie a fait l'objet d'une grande attention en raison de
son rôle dans l'amélioration de la prise de décision. Des études
ont également porté sur les "avantages concurrentiels" et la
"différenciation", tout en appliquant l'analytique à l'analyse des
données en temps réel (Schroeck et al. 2012). Dans le même
ordre d'idées, Biesdorf et al. (2013) ont souligné qu'il est
important de créer un environnement où les grandes données,
l'optimisation des processus, les outils de première ligne et les
personnes sont bien alignés afin d'obtenir des avantages
concurrentiels.
L'autre courant de recherche définit le BDA du point de vue
d'identifier de nouvelles opportunités avec des données
importantes (voir tableau 3). Par exemple, Davenport (2012) a
expliqué que la BDA tente d'explorer de nouveaux produits et
de nouvelles activités à valeur ajoutée. Des arguments
similaires ont également été avancés dans une autre étude de
Davenport et al. (2012) pour analyser l'environnement externe
et identifier les événements et opportunités émergents. En
outre, des études ont également mis en évidence le rôle des
éléments comportementaux dans la définition de la BDA
(Agarwal et Weill 2012 ; Ferguson 2012), tels que l'empathie,
qu'ils considèrent comme essentiels pour améliorer
considérablement la capacité analytique des entreprises. Ils ont
expliqué la BDA comme étant une combinaison de trois
choses, c'est-à-dire les processus d'affaires, l'optimisation
technologique et le lien émotionnel avec l'utilisation des
données. Dans un esprit similaire, Ferguson (2012) a déclaré
et l'établissement
commerce électroniqued'un avantage concurrentiel. Si cette électronique de réduire leurs coûts et de générer des
définition reflète l'idée que les techniques d'analyse bénéfices sans aucune difficulté. Toutefois, les analyses qui
peuvent être utilisées pour produire des informations capturent les données volumineuses sont différentes des
exploitables, elle est ancrée dans l'origine des statistiques données traditionnelles à de nombreux égards. Plus
qui remontent au 18e siècle, mais la différence évidente précisément, en raison de leur nature unique (c'est-à-dire
aujourd'hui est la quantité considérable de transactions volumineuse, variée, rapide et véridique), les données
électroniques dans l'économie numérique et le déluge de volumineuses peuvent être facilement distinguées de la
données qui y est associé (Agarwal et Dhar 2014). Du forme traditionnelle des données utilisées dans l'analyse
point de vue de la théorie des coûts de transaction et de la (voir tableau 4). Les sections suivantes traitent
nouvelle économie institutionnelle (Williamson 1979, successivement de ces éléments, ainsi que de leurs
1981, 2000), lorsqu'il s'agit de la performance implications pour le commerce électronique.
économique des entreprises de commerce électronique
dans l'économie des données émergente, la structure Volumineux
institutionnelle peut jouer un rôle essentiel dans la
définition de la BDA. En outre, les théories du commerce Avec l'émergence des technologies du web, on assiste à
électronique basées sur les relations en termes de une augmentation constante de la quantité de données
confiance, de loyauté et de confidentialité (Dinev et Hart volumineuses dans le domaine de l'e-
2006 ; Gefen 2000, 2002) ou les théories classiques des
systèmes d'information, telles que la réussite des SI
(Delone 2003 ; DeLone et McLean 1992), la qualité des
TI (Wixom et Todd 2005), la continuité des SI
(Bhattacherjee 2001) et les théories de la capacité, de la
sociomatérialité et de la valeur commerciale des TI (Kim
et al. 2012) peuvent être utilisées pour définir la BDA en
fonction des objectifs et de la portée de l'étude. Par
conséquent, il existe des possibilités évidentes d'enquête
théorique et pratique pour définir la BDA dans un
contexte particulier de commerce électronique allant des
promotions commerciales, de la relation avec le client à la
gestion de la chaîne d'approvisionnement. En développant
des questions de recherche intéressantes, cette nouvelle
frontière de la science des données peut créer de
nouvelles connaissances et possibilités scientifiques en
tirant parti des données, de la technologie, de l'analyse,
des entreprises et de la société. Le tableau 3 résume les
aspects définitionnels et les domaines de recherche
potentiels sur la BDA dans le commerce électronique.
Les grandes données et leurs

caractéristiques distinctives dans
l'environnement du commerce
électronique
Le paysage du commerce électronique d'aujourd'hui

bouillonne de nombreuses données importantes qui sont
utilisées pour résoudre les problèmes des entreprises.
Selon Kauffman et al. (2012, p.85), l'utilisation de
données volumineuses monte en flèche dans le commerce
électronique "en raison des réseaux sociaux, de l'internet,
de la téléphonie mobile et de toutes sortes de nouvelles
technologies qui créent et saisissent des données". Grâce à
une capacité de stockage et de traitement rentable et à des
outils d'analyse de pointe, les données volumineuses
permettent désormais aux entreprises de commerce
Tableau 3Des aspects définitifs de l'analyse des grandes données (BDA) dans le commerce électronique
Recherche Study potentielle areas Definition Objectif
Davenport () 2006Fonctions du commerce La BDA fait référence à une L'analyse pour obtenir un
électronique ) : production et analyse "quantitative basée avantage concurrentiel.
les opérations (par exemple, les flux de sur les faits" qui aide à la
la chaîne d'approvisionnement), le prise de décision.
marketing (par exemple, la
promotion), les ressources humaines
(par exemple, le rendement des
employés), les finances (par exemple,
le contrôle de la fraude) et la recherche
et le développement (R&D).
Davenport et Harris Fonctions du commerce électronique : La BDA fait référence à L'analyse pour aider à développer
(2007b) finances (par exemple, fusions et l'utilisation de données, des capacités distinctives dans
acquisitions), fabrication, R&D, d'analyses statistiques et un environnement commercial
ressources humaines (par exemple, quantitatives par le biais de extrêmement compétitif.
recruter, conserver et promouvoir les modèles explicatifs et
meilleurs éléments), marketing (par prédictifs pour faciliter les
exemple, identifier les clients rentables décisions et les actions de
et fidèles) et chaîne gestion basées sur les faits.
d'approvisionnement (par exemple,
réduire au maximum les stocks sans
compromettre les ruptures de stock).
Bose (2009E-commerce ) functions including : marketing (direct La BDA désigne un groupe Aider les chefs d'entreprise à
marketing, segmentation de la d'outils utilisés en comprendre efficacement les
clientèle, tarification), supply chain combinaison pour obtenir des facteurs qui sous-tendent la
(choix des partenaires de distribution), informations afin de diriger, mise en œuvre de l'analyse
and finance (customer profitability d'optimiser et d'automatiser la avancée.
analysis). prise de décision pour atteindre
les objectifs organisationnels.
Shanks et al. (2010Domaines fonctionnels, notamment : production et La BDA fait référence à La technologie et les capacités
les opérations (prévisions de ventes, l'interprétation des données utilisant l'analyse conduisent à
plans de production, livraisons de pour générer des informations des actions créatrices de valeur
commandes) et le marketing (attrition qui améliorent la prise de pour améliorer les
de la clientèle, rentabilité des clients, décision et optimisent les performances et l'avantage
taux de réponse des campagnes de processus commerciaux. concurrentiel des entreprises.
marketing, prix différentiels, etc.)
Manyika et al. (2011)Toutes les fonctions du commerce électronique, y Valeur potentielle des grandes
compris : La BDA crée de la valeur en données pour les organisations
le marketing, les opérations et la créant de la transparence, en et l'économie, en décrivant les
chaîne d'approvisionnement. découvrant les besoins, en moyens de saisir cette valeur.
exposant la variabilité et en Des preuves perspicaces pour
LaValle et al. (2011)Toutes les fonctions de commerce électronique, y améliorant les performances. aider les organisations à
compris : La BDA est un outil d'analyse - comprendre l'opportunité
marketing descriptif, prédictif et offerte par l'information et
(fidélisation/rétention/défection), prescriptif - qui permet de les analyses avancées.
finances (par exemple, budgétisation, mettre en œuvre des actions
croissance des recettes, rentabilité), étroitement liées à la stratégie
gestion des ressources humaines commerciale et aux processus
(planification/affectation des effectifs), organisationnels qui se
opérations et production. déroulent au bon moment.
Agarwal et Weill Les données associées aux émotions La BDA améliore les processus Intégration des émotions
(2012) renforcent considérablement la commerciaux, les connexions humaines dans l'analyse des
capacité analytique de l'entreprise émotionnelles et les preuves données, en plus de
en matière de marketing (par en se basant sur une utilisation l'automatisation et de
exemple, l'autonomisation des empathique des données. l'optimisation des processus.
clients), de ressources humaines
(par exemple, l'autonomisation
des employés) et de chaîne
d'approvisionnement
(autonomisation et relation avec
les partenaires de distribution).
Davenport (2012BDA ) dans le commerce électronique peut l ke
considérablement e tin
l'impact sur le développement des m g
produits/services (nouvelles a (di
fonctionnalités du site social en ligne), r ff
usion d'annonces, tarification, La BDA se concentre sur la Identifier la qualité et les
tendances sur les sentiments des découverte de produits, de compétences requises pour les
clients) et l'amélioration des processus caractéristiques et de services personnes traitant des données
(temps d'optimisation des prix, contrats à valeur ajoutée. volumineuses afin de fournir
de service et optimisation de la des analyses de haute
maintenance). performance (HPA).
Davenport et autres (2012BDA ) in e-commerce aids marketing
(par exemple, personnalisation,
tarification à la demande), la R&D
(par exemple, découverte d'un nouveau La BDA est utilisée pour Révéler les faits distinctifs entre
médicament), et la production et les rechercher des modèles, des l'analyse des grandes données
opérations. événements et des opportunités et l'analyse traditionnelle, et les
en constante évolution pour moyens de capitaliser sur les
Dijcks (2012BDA ) in e-commerce influences manufacturing générer la découverte et connaissances issues des
(telemetry reveals usage patterns, l'agilité. grandes données.
failure rates, and other L'importance de l'analyse
La BDA permet une analyse plus commerciale dans
approfondie sur une plus l'environnement des grandes
grande variété de types de données et l'infrastructure
données, ce qui permet des nécessaire à cette fin.
temps de réponse plus rapides
Tableau 3 (suite)
Recherche Study potentielle areas Definition Objectif
possibilités d'amélioration des produits), qui sont motivés par des

le marketing (les smartphones et autres changements de comportement
appareils GPS offrent aux annonceurs et l'automatisation des décisions
des informations de proximité, une sur la base de modèles
micro segmentation efficace de la analytiques.
clientèle et des campagnes de
marketing ciblées) et la chaîne
d'approvisionnement (efficacité). Explique comment l'analyse aide
Ferguson (2012BDA dans le commerce électronique aide le risque les organisations à mieux
opérationnel On peut dire que la BDA est comprendre et atténuer tout,
évaluation portant sur les finances l'analyse comportementale des pratiques commerciales
(fraude interne, fraude externe, multidimensionnelle utilisée risquées aux grands risques
dommages aux biens matériels), le pour découvrir les modes de indétectables.
marketing (intentions et défaillance avant une
comportements des clients, produits et catastrophe.
pratiques commerciales), les ressources
humaines (pratiques en matière Explications des préoccupations
d'emploi) et les technologies de pratiques des organisations
l'information (défaillance du système). concernant l'utilisation de
(Kiron et al. 2012a, 2014aBDA dans le commerce électronique La BDA fait référence à l'analytique.
influence les décisions l'application de données et
sur le marketing (service à la clientèle, d'idées commerciales
expérience client, stratégie de prix, développées par des
ventes, service à la clientèle), la disciplines analytiques
finance (productivité, fusions et appliquées pour conduire une
acquisitions) et les opérations. planification, des décisions,
une exécution, une gestion,
une mesure et un
apprentissage basés sur les
faits.
satisfaction supérieure des clients et des systèmes de

l'environnement du commerce (Beath et al. 2012). Ces tarification dynamique qui ajustent les prix par rapport aux
quantités massives de données que les entreprises de sites concurrents toutes les 15 s (Goff et al. 2012). De
commerce électronique tentent d'exploiter pour améliorer même, Netflix, le détaillant de films en ligne, analyse plus
leur processus décisionnel sont définies comme des d'un milliard de critiques pour déterminer les goûts des
volumes (McAfee et Brynjolfsson 2012). Comme l'illustre clients en matière de films et l'état des stocks (Davenport et
Russom (2011), la BDA prend un grand volume de données Harris 2007b). De nombreuses entreprises de commerce
qui nécessite un stockage massif et implique un grand électronique (Amazon, eBay, Expedia, Travelocity, par
nombre d'enregistrements. En fait, la BDA englobe de exemple) utilisent d'énormes volumes de données de médias
grands volumes de données (généralement exprimés en sociaux (photos, notes, articles de blog, liens web et
pétaoctets et en exoctets) qui sont utilisés par les décideurs nouvelles) pour exploiter les possibilités d'offres
pour prendre des décisions stratégiques. Les données promotionnelles en temps réel (Manyika et al. 2011). En
collectées dans l'environnement des grandes données sont plus des opportunités, le volume de données volumineuses
souvent non structurées et peuvent incorporer des vidéos, apporte des défis, en particulier l'intégration de données
des images ou des données générées par la technologie volumineuses provenant de différents
mobile. Il est donc peu probable que les grandes données
soient propres et exemptes de toute erreur. Bien que cela
représente un défi supplémentaire pour les décideurs qui
doivent préparer les données à l'utilisation, les données
volumineuses permettent aux entreprises de commerce
électronique de prendre des décisions en temps réel (Kang
et al. 2003). Par exemple, en utilisant la quantité massive
de données structurées et non structurées, Amazon a
développé des moteurs de recommandation sophistiqués
qui fournissent plus de 35 % de toutes les ventes, des
systèmes de service client automatisés pour assurer une
et des formats, en introduisant de nouvelles méthodes
d'analyse "agiles" et des techniques d'apprentissage
automatique, et en augmentant la vitesse de traitement et
d'analyse des données. Ainsi, les entreprises de
commerce électronique doivent avoir la capacité
d'intégrer l'analyse et l'optimisation dans leurs processus
opérationnels et décisionnels afin d'accroître leur rapidité
et leur impact (Davenport 2013a).
Variété
Le mot "variété" indique que les grandes données

proviennent de nombreuses sources qui peuvent être
structurées, semi-structurées ou non structurées
(Schroeck et al. 2012). La variété est un autre attribut
essentiel des données volumineuses, car elles sont
générées à partir d'une grande variété de sources et de
formats, y compris le texte, le web, les tweet, l'audio, la
vidéo, les flux de clics, les fichiers journaux, etc. (Russom
2011). (Russom 2011). Cette variété de données
nécessite l'utilisation de différents modèles analytiques
et prédictifs qui peuvent permettre d'utiliser des
informations sur différents domaines fonctionnels.
Biesdorf et al. (2013) ont expliqué, par exemple, que le
modèle analytique utilisé par les entreprises de commerce
électronique pouvait comprendre une variété
d'informations sur les clients, telles que : les profils
des clients et les données historiques sur le
comportement d'achat ; les habitudes d'achat régionales et
saisonnières ; l'optimisation des opérations de la chaîne
d'approvisionnement ; et, surtout, la récupération de toute
donnée non structurée des médias sociaux pour prédire les
achats par produit, magasin et activités publicitaires. Par
exemple, Manyika et al. (2011) ont montré qu'un
détaillant en ligne fournissait des réponses en temps réel
dans des campagnes de marketing, les modifiant si
nécessaire en effectuant une analyse des sentiments. Dans
l'ensemble, la diversité des données importantes peut
apporter une valeur ajoutée aux entreprises. Cependant,
top
Tableau 4Nature des grandes données utilisées dans l'analyse des entreprises
Nature Description Exemple (Etude)
Volumineux Grand volume de données qui soit consomment • Amazon a introduit l'option de recherche dans les livres, qui consiste en 120
une énorme quantité de stockage, soit sont 000 livres (Davenport 2006).
constituées d'un grand nombre • Dell a lancé le développement d'une base de données qui comprend 1,5
d'enregistrements (Davenport et al. million d'enregistrements relatifs aux ventes et aux annonces (Davenport
2012 ; Russom 2011). 2006).
• Netflix analyse le choix et les commentaires des clients à partir de plus d'un
milliard de commentaires (Davenport et Harris 2007a).
• Match.com dispose de milliards de points de données à analyser générés au
cours des 17 dernières années (Kiron et al. 2012b).
• Sur Facebook, 30 milliards de contenus sont partagés chaque mois
(Manyika et al. 2011).
• Tesco génère plus de 1,5 milliard de nouvelles données chaque mois
• L'entrepôt de données de Wal-Mart contient quelque 2,5 pétaoctets
d'informations (Manyika et al. 2011).
VariétéDonnées générées à partir d'une plus grande variété • La base de données DDB Matrix comprend toutes les publicités de Dell, le
de sources et de formats, et qui contiennent fabricant d'ordinateurs, dans la presse écrite, à la radio, à la télévision en réseau et
des champs de données multidimensionnelles sur le câble, ainsi que des données sur les ventes régionales (Davenport 2006).
(Davenport et al. 2012 ; Russom 2011). • Les sociétés de cartes de crédit utilisent les données de clics des sites web et
d'autres formats de données provenant des opérations des centres d'appel
pour personnaliser les offres (Davenport et Patil 2012).
• Le modèle analytique d'un détaillant peut inclure les profils des clients et
l'historique des achats, les habitudes d'achat régionales et saisonnières,
l'optimisation des opérations de la chaîne d'approvisionnement, et des
données non structurées provenant des médias sociaux pour personnaliser
les prévisions par produit, concept de magasin, et campagnes
promotionnelles, etc. (Biesdorf et al. 2013).
• La vente croisée utilise toutes les données possibles qui peuvent être identifiées
et stockées sur un client, y compris les données démographiques, l'historique des
achats, les préférences, les lieux en temps réel et d'autres faits pour augmenter la
taille moyenne des achats (Manyika et al. 2011).
• Les détaillants utilisent l'analyse des sentiments pour évaluer la réaction en
temps réel aux campagnes de marketing et pour procéder aux ajustements
nécessaires. Le domaine en pleine évolution de l'analyse des médias
sociaux joue un rôle clé, car les consommateurs s'appuient de plus en plus
sur le sentiment et les recommandations de leurs pairs (Manyika et al.
VélocitéFréquence de la génération de données et/ou 2011).
la fréquence de livraison • La recherche a identifié 10 méthodes distinctes pour interagir avec les
des données (Russom consommateurs sur les médias sociaux tout au long du processus de décision
2011). concernant le produit, qui vont des techniques passives (surveillance des
blogs et des réseaux sociaux pour les références aux marques) à
l'engagement direct sous la forme d'un marketing ciblé, d'un nouveau produit
ou la sensibilisation des consommateurs dans le cadre des relations publiques
(Chandrasekaran et al. 2013).
• Amazon gère un flux constant de nouveaux produits, fournisseurs, clients et
promotions sans compromettre les dates de livraison promises (Davenport
2006).
• L'analyse des sentiments des consommateurs par le biais de l'analyse des médias
sociaux nécessite une surveillance en temps réel de l'environnement. Le flux
fréquent de nouvelles données rend le rôle décisionnel souvent obsolète. Les
tendances des sentiments des consommateurs à l'égard des produits, des
marques et des entreprises sont très rapides et leur volume est plus important
(Davenport 2012).
Véracité Générer des données authentifiées et
• Sur Twitter, même à 140 caractères par tweet, les volumes de données sont
pertinentes avec la possibilité
estimés à huit téraoctets par jour en raison uniquement de la
d'éliminer les mauvaises données
vitesse/fréquence élevée (Dijcks 2012).
(Beulke 2011).
• Les détaillants peuvent désormais suivre les données individuelles de leurs
clients, y compris les données sur le flux de clics sur le web, et peuvent en tirer
parti sur la base de leur analyse comportementale. En outre, les détaillants sont
désormais capables de mettre à jour ces données de plus en plus granulaires en
près de
en temps réel pour suivre l'évolution du comportement des clients (Manyika et al.
2011).
• eBay Inc. mène des milliers d'expériences sur différents aspects de son site
web afin de déterminer la mise en page optimale et
d'autres caractéristiques allant de la navigation à la
taille de ses photos (Manyika et al. 2011).
• eBay Inc. a été confronté à d'énormes problèmes de
réplication des données, avec des versions de 20 à
50 fois les mêmes données dispersées dans ses
différents data marts.
Plus tard, eBay Inc. a développé un site web interne (un
hub de données) qui a permis aux gestionnaires de
filtrer la réplication des données (Davenport et al.
2012).
• Grâce à la fusion de données, une organisation peut
combiner plusieurs sources moins fiables pour créer
un point de données plus précis et plus utile, comme
les commentaires sociaux apposés sur les informations
de localisation géospatiale (Schroeck et al. 2012).
• Les "cygnes noirs" (la qualité disproportionnée des
événements rares, difficiles à prévoir et à fort impact,
auxquels les gens ne s'attendent généralement pas et qui
sont également considérés comme des cas extrêmes) ne
peuvent être détectés par les analyses quantitatives
traditionnelles. Montage Analytics a développé un outil
qui peut prédire les zones vulnérables
Tableau 4 (suite)
Nature Description Exemple (Etude)
aux "cygnes noirs" au sein des organisations, et d'autres types de risques

impliquant l'impact du comportement et des motivations humaines (Ferguson
2012).
L'engagement de la direction en termes d'amélioration des l'environnement du commerce électronique (Schroeck et al.
processus commerciaux et de définition des flux de travail 2012). La vérification est donc nécessaire pour générer des
est très important pour que les avantages de ces données données authentifiées et pertinentes, et pour avoir la
puissent être réalisés (Beath et al. 2012). capacité d'éliminer les mauvaises données (Beulke 2011). En
fait, la vérification est essentielle dans le processus de
gestion des données, car l'existence de mauvaises données
Vélocité
pourrait empêcher la direction de prendre des décisions en
connaissance de cause. De même, les mauvaises données
La vitesse fait référence à la fréquence de génération des
n'auraient que peu d'intérêt pour la valeur ajoutée de
données et/ou à la fréquence de livraison des données
l'entreprise. Beulke (2011) a affirmé que les unités de
(Russom 2011). Il est important de comprendre la vitesse
technologie de l'information (TI) de l'e-
des données volumineuses qui doivent être priorisées et
synchronisées dans les processus commerciaux, la prise de
décision et l'amélioration des performances (Beulke 2011).
Comme le décrit Gentile (2012), le terme "vitesse" désigne
le taux de changement des données volumineuses et la
rapidité avec laquelle ces données doivent être utilisées
dans les décisions commerciales afin d'apporter une valeur
ajoutée. En fait, étant donné qu'une plus grande vitesse est
assurée, les données ont le potentiel d'ouvrir de nouvelles
opportunités pour les organisations. Comme l'ont montré
Davenport et Patil (2012), la vitesse élevée de la BDA peut
permettre aux analystes d'effectuer une analyse du
sentiment des consommateurs et de fournir une image
claire des choix de marques et/ou de produits.
Pour tirer profit de ce rythme élevé de données, de
nombreuses entreprises de commerce électronique ont
utilisé diverses techniques pour ajouter de la valeur à leurs
activités. Par exemple, Amazon a pu maintenir un flux
constant de nouveaux produits en communiquant au bon
moment avec ses parties prenantes (Davenport 2006). eBay
Inc. a réalisé des milliers d'expériences en utilisant la
vitesse des données pour différents aspects de son site web,
ce qui a permis d'améliorer la présentation et les
caractéristiques du site, de la navigation à la taille des
images (Bragge et al. 2012). Pour exploiter la vitesse
élevée des données, de nombreuses entreprises de
commerce électronique utilisent désormais des systèmes
sophistiqués pour saisir, stocker et analyser les données
afin de prendre des décisions en temps réel et de conserver
leurs avantages concurrentiels.
Véracité
Un autre attribut essentiel des grandes données concerne

l'incertitude associée à certains types de données. Ces
données exigent une vérification rigoureuse, ce qui
implique le respect total des questions de qualité et de
sécurité. Une qualité élevée des données est une exigence
importante de la BDA pour une meilleure prévisibilité dans
Les entreprises
commerce peuvent jouer un rôle clé à cet égard en
électronique l'entreprise, l'occurrence des plaintes des clients) jusqu'aux
mettant en place un système de vérification automatique transactions de vente. A
afin que les données importantes utilisées pour les 1
Un "cygne noir" est également connu comme une valeur aberrante
décisions commerciales soient authentifiées et passent par extrême : il s'agit essentiellement de la qualité disproportionnée d'un
des procédures strictes de contrôle de la qualité. événement rare, difficile à prévoir et à fort impact, que les gens ne
À cet égard, Schroeck et al. (2012) ont plaidé pour prévoient généralement pas, un événement qui dépasse le champ de
détection des analyses traditionnelles (Ferguson 2012).
l'utilisation de la fusion de données qui combine diverses
sources de données moins fiables afin de créer un point de
données plus précis et plus utile (comme les
commentaires sociaux apposés sur les informations de
localisation géospatiale). Ferguson (2012) a souligné que
Montage Analytics a développé un outil particulièrement
utile pour prédire les "cygnes noirs1" dans les
organisations, ainsi que tout autre type de risque résultant
des manières et des motivations humaines. La raison en
est que l'imprévisibilité inhérente à certaines données est
toujours causée par des facteurs tels que les défaillances
technologiques, le manque de sincérité de l'homme et les
facteurs économiques.
Types de données importantes utilisées dans

le commerce électronique
Le commerce électronique désigne les transactions en

ligne : la vente de biens et de services sur l'internet, soit
en une seule transaction (par exemple, Amazon, Zappos,
eBay, Expedia), soit par une transaction continue (par
exemple, Netflix, Match.com, LinkedIn, etc.) (Frost and
Strauss 2013). Les entreprises de commerce électronique,
d'Amazon à Netflix, saisissent divers types de données
(par exemple, commandes, paniers, visites, utilisateurs,
liens de référence, mots clés, navigation dans les
catalogues, données sociales), qui peuvent être classées en
quatre catégories : (a) les données relatives aux
transactions ou aux activités commerciales (b) les
données relatives aux flux de clics (c) les données vidéo
et (d) les données vocales (voir tableau 5). Dans le
commerce électronique, les données sont la clé pour
suivre le comportement d'achat des consommateurs en
vue de personnaliser les offres, qui sont collectées au fil
du temps à l'aide des points de navigation et de
transaction des consommateurs. Cette section examine
différents types de données importantes ainsi que leurs
implications pour le commerce électronique.
Données relatives aux transactions ou aux activités

commerciales
Les données relatives aux transactions ou à l'activité

commerciale évoluent au fil du temps en raison des
échanges entre le client et l'entreprise. Ces données sont
structurées par nature et proviennent de nombreuses
sources allant des programmes de relations avec la
clientèle (par exemple, les profils des clients tenus par
Tableau 5Types de données importantes

TypesApplications Descriptions par les entreprises/affaires électroniques
Données relatives aux Données structurées provenant des • United Parcel Service (UPS) examine les habitudes
transactions ou aux transactions de détail, des profils des clients, d'utilisation et les plaintes afin de prévoir la défection des
activités de la fréquence et du volume de distribution, clients (Davenport 2006).
commerciales de la consommation des produits et de • Wal-Mart persuade ses fournisseurs de surveiller les
l'utilisation des services, de la nature et de mouvements des produits par magasin afin d'aider à
la fréquence des réclamations des clients planifier les promotions, l'aménagement des magasins
et de réduire les ruptures de stock (Davenport 2006).
• Amazon utilise une technique de modélisation prédictive
appelée "filtrage collaboratif", qui utilise les données des
clients pour générer des messages "vous pourriez aussi
vouloir" pour chaque produit acheté ou visité. Amazon a
révélé à un moment donné que 30 % des ventes étaient
générées par son moteur de recommandation (Manyika et
al. 2011).
• Harrah's, le groupe américain d'hôtels et de casinos,
compile des profils holistiques détaillés des clients et les
utilise pour personnaliser le marketing de manière à
accroître la fidélité des clients (Manyika et al. 2011).
• Progressive Insurance et Capital One mènent
régulièrement des expériences pour segmenter
systématiquement et efficacement leur clientèle et
personnaliser les offres de produits (Manyika et al.
2011).
• Wal-Mart a développé Retail Link, un outil qui présente à
ses fournisseurs une vue d'ensemble de la demande dans
ses magasins afin que les fournisseurs sachent quand les
magasins doivent être réapprovisionnés plutôt que
d'attendre une commande des magasins Wal-Mart
Données en continuCliquez sur les données en continu du web, des médias • Chaque jour, Google traite à lui seul environ 24
sociaux pétaoctets (ou 24 000 téraoctets) de données
les contenus, les publicités en ligne (tweets, (Davenport 2012).
blogs, affichages sur le mur Facebook, • Netflix Inc. analyse les données web de plus d'un milliard
etc.) de critiques de films qui ont été appréciés, aimés,
détestés, etc. pour recommander des films qui optimisent
les goûts des clients et les conditions d'inventaire
(Davenport et Harris 2007b).
• Les sociétés de cartes de crédit utilisent une base de
données "prête à la commercialisation" des activités des
sites web et des centres d'appel pour faire des offres
personnalisées en quelques millisecondes et pour
optimiser les offres en suivant les réponses (Davenport
2012).
• Les acheteurs de marchandises d'une entreprise de vente
au détail reçoivent un signal d'alarme lorsque les sites
internet des concurrents proposent des prix inférieurs à
ceux de leur entreprise de vente au détail (Biesdorf et al.
2013).
• Les détaillants utilisent l'analyse des sentiments pour
évaluer la réaction en temps réel aux campagnes de
marketing et procéder aux ajustements nécessaires. Le
domaine en pleine évolution de l'analyse des médias
sociaux joue un rôle clé, car les consommateurs se fient
de plus en plus au sentiment et aux recommandations de
leurs pairs (Manyika et al. 2011).
• eBay Inc. mène des milliers d'expériences sur différents
aspects de son site web afin de déterminer la mise en
page optimale et d'autres caractéristiques allant de la
navigation à la taille de ses photos (Manyika et al. 2011).
Données vidéoDonnées vidéo provenant du commerce de détail et d'autres milieux - Moins de 25 % des entreprises et des professionnels de
l'informatique ayant des
les grands efforts en matière de données ont montré qu'ils
disposent des capacités requises pour analyser des
données extrêmement non structurées telles que la voix
et la vidéo (Schroeck et al. 2012).
• Certains détaillants utilisent des logiciels d'analyse d'images
sophistiqués liés à leurs caméras de vidéosurveillance
pour suivre les schémas de circulation en magasin et le
comportement des consommateurs (Manyika et al.
2011).
• Un fabricant de biens de consommation a équipé ses
merchandisers d'applications de tablettes qui permettent
d'utiliser des images et des données pour suivre
quotidiennement la répartition de l'espace en rayon par
rapport à celle des concurrents et également pour détecter
le respect par les détaillants des accords de promotion
(Chandrasekaran et al. 2013).
• P&G a mis en œuvre l'utilisation d'outils de conception
pour créer des prototypes virtuels réalistes qui permettent
de gagner du temps dans les itérations de conception. En
outre, les techniques de réalité virtuelle ont permis
Tableau 5 (suite)
TypesApplications Descriptions par les entreprises/affaires électroniques
la simulation de nouveaux produits mis en rayon afin de

tester les effets du design en interne et auprès des
consommateurs (Chandrasekaran et al. 2013).
Données vocales Données vocales des appels téléphoniques, des centres • Les sociétés de cartes de crédit utilisent et suivent les
d'appels, du service clientèle activités des centres d'appel pour faire des offres
personnalisées en quelques millisecondes et pour
optimiser les offres en suivant les réponses (Davenport
2012).
• Les personnes interrogées dans les entreprises de
commerce électronique (plus de la moitié de celles qui
font de gros efforts en matière de données) ont déclaré
qu'elles utilisent des capacités avancées pour analyser le
texte dans son état naturel, comme les transcriptions des
conversations des centres d'appel. Ces analyses ont la
capacité d'interpréter et de comprendre les nuances du
langage, telles que le sentiment, l'argot et les intentions
(Schroeck et al. 2012).
Une étude récente de Chandrasekaran et al. (2013) a fourni soulignent Davenport et Harris (2007a), Netflix, un réseau
l'exemple d'un détaillant en ligne qui analyse les données de télévision sur internet de renommée mondiale, capture et
de son programme de fidélité (c'est-à-dire son programme analyse plus d'un milliard de données web relatives aux
de fidélité Clubcard), impliquant 1,6 milliards de points de critiques de films qui sont aimés, aimés, détestés, etc. afin
données, 10 millions de clients, 50 000 unités de stockage de comprendre les goûts des clients.
(SKU) et 700 magasins, ce qui a permis de coordonner les Une autre étude récente de Davenport et al. (2012) a
données importantes avec les informations sur les indiqué que les sociétés de cartes de crédit, en s'appuyant
consommateurs. Dans le contexte de la vente au détail en sur les données des sites web et des centres d'appels, gèrent
ligne, Kiron et al. (2014b) ont indiqué que StyleSeek, le des bases de données (dites "prêtes à la commercialisation")
moteur de recommandation en ligne aux États-Unis, réalise pour proposer des produits adaptés aux clients en quelques
des revenus considérables en analysant les goûts et les millisecondes et optimisent également les offres en
préférences des clients et en orientant les consommateurs assurant le suivi des réponses des clients. Certaines
vers ses partenaires de vente au détail à l'aide d'une entreprises utilisent ces bases de données non seulement
plateforme d'analyse sophistiquée. Dans l'ensemble, il est pour
évident que les détaillants en ligne peuvent tirer de
nombreux avantages tout au long de la chaîne de valeur en
utilisant les données de transaction.
Données en ligne
Les données relatives aux clics proviennent du web et des

publicités en ligne, ainsi que du contenu des médias
sociaux tels que les tweets, les blogs, les affichages sur les
murs de Facebook, etc. des entreprises de commerce
électronique. Dans l'environnement connecté d'aujourd'hui,
les médias sociaux et les publicités en ligne jouent un rôle
clé dans la stratégie promotionnelle des entreprises, comme
l'utilisation des données de parcours, qui sont très
importantes pour la direction pour prendre des décisions
éclairées, stratégiques et tactiques. Des études antérieures
ont montré que de nombreuses entreprises de commerce
électronique dans le monde entier (par exemple, Amazon,
eBay, Zappos, Alibaba, etc.) s'appuient sur les données
relatives aux clics dans leurs efforts de saisie de données.
Les données sur les clics peuvent être utilisées pour prévoir
les préférences et les goûts des clients. Comme le
d'approcher les clients mais aussi de proposer des services
en ligne. Par exemple, Biesdorf et al. (2013) ont expliqué
qu'en analysant les données du web, les détaillants en
ligne reçoivent une alerte lorsque les prix des produits de
leurs concurrents sont inférieurs à leur propre niveau de
prix. Par conséquent, les détaillants peuvent ajuster
leurs prix pour rester compétitifs.
Données vidéo
Les données vidéo sont des données en direct qui

proviennent de la capture d'images en direct.
Actuellement, les entreprises de commerce électronique
sont désireuses d'utiliser non seulement des données de
clics ou de transactions, mais aussi, en association avec
des logiciels d'analyse d'images, de capturer des données
vidéo. Comme l'indiquent Schroeck et al. (2012), les
entreprises de commerce électronique disposent des
compétences nécessaires pour analyser des données
extrêmement peu structurées, telles que des données vidéo
ou vocales. Ces données ont le potentiel d'apporter une
valeur ajoutée aux entreprises de commerce électronique.
Par exemple, Ramaswamy (2013) a indiqué que Netflix
utilise des données vidéo pour prévoir les habitudes de
visionnage et évaluer la qualité des expériences. En outre,
l'outil de visualisation et d'analyse de la demande basé sur
le type de consommation de films aide Netflix à
comprendre les préférences, ce qui a conduit au succès
de son programme "House of Cards" aux États-Unis.
Ainsi, l'utilisation des données vidéo est essentielle pour
que les entreprises puissent prendre de meilleures
décisions que leurs concurrents.
Données vocales
Un autre type de données rattaché à la grande famille des

données est celui des données vocales, c'est-à-dire les
données provenant généralement des appels téléphoniques,
des centres d'appels ou du service clientèle. Comme le
montrent des recherches récentes, les données vocales sont
avantageuses pour analyser le comportement d'achat des
consommateurs ou pour cibler de nouveaux clients.
Comme le décrivent Davenport et ses collaborateurs
(2012), les sociétés de cartes de crédit, par exemple American
Express, utilisent et suivent les données liées aux activités des
centres d'appels de manière à pouvoir faire des offres
personnalisées en quelques millisecondes. Dans l'enquête de
Schroeck et al. (2012), il a été constaté que les entreprises de
commerce électronique utilisaient des capacités avancées pour
analyser les textes et les transcriptions convertis à partir des
appels
de centrer les conversations. En outre, de nombreuses nuances 2011). De même, Kiron et al. (2012b) ont indiqué que
de langage, telles que le sentiment, l'argot et les intentions, Match.com a pu augmenter ses revenus de plus de 50 % au
peuvent être lues et reconnues au moyen du BDA dans le cours des deux dernières années, tandis que le nombre
contexte du commerce électronique. d'abonnés de l'entreprise pour son activité principale a atteint 1,8
Étant donné que la nature et le type de grandes données million. L'étude de cas d'IBM (IBM 2012) a montré qu'un plus
sont uniques et proviennent de divers réseaux de grand partage des données et des analyses pouvait améliorer les
plateformes numériques, il est possible qu'une nouvelle résultats des patients. Par exemple, la Premier Healthcare
théorie s'intéresse à de nouveaux problèmes. L'économie Alliance a pu réduire ses dépenses de 2,85 milliards de dollars
des données indique également que les grandes données US. Schroeck et al. (2012) ont constaté que la chaîne d'épicerie
sont "relationnelles" et "en réseau", ce qui nécessite de Automercados Plaza a pu obtenir une augmentation de près de
nouveaux développements en matière de capacités et 30 % de ses revenus et un total de 7 millions de dollars US de
d'algorithmes informatiques, de qualité des systèmes et des rentabilité chaque année en mettant en œuvre l'intégration des
données, de respect de la vie privée et d'implications informations dans toute l'organisation. En outre,
éthiques, d'alignement stratégique et de culture l'entreprise a évité des pertes sur plus de 30 % de ses produits en
d'entreprise. programmant des réductions de prix pour vendre les produits
périssables à temps. En plus d'apporter une valeur ajoutée aux
entreprises en termes financiers, l'utilisation de données
Valeur commerciale des grandes analyses de volumineuses peut apporter un avantage supplémentaire
données pour les entreprises de commerce dans les domaines non financiers
électronique
Le défi ultime de la BDA est de générer de la valeur

commerciale à partir de cette explosion de grandes données
(Beath et al. 2012). Le terme "valeur" dans le contexte des
données volumineuses implique la production
d'informations et/ou de bénéfices économiquement
valables en analysant les données volumineuses par le biais
de l'extraction et de la transformation. En accord avec
Wixom et al. (2013), nous définissons la valeur
commerciale de la BDA comme les avantages
transactionnels, informationnels et stratégiques pour les
entreprises de commerce électronique. Alors que la valeur
transactionnelle se concentre sur l'amélioration de
l'efficacité et la réduction des coûts, la valeur
informationnelle éclaire la prise de décision en temps réel
et la valeur stratégique traite de l'obtention d'avantages
concurrentiels. Par exemple, en injectant des analyses dans
le commerce électronique, les responsables pourraient tirer
une valeur commerciale globale en répondant aux besoins
des clients (79 %), en créant de nouveaux produits et
services (70 %), en s'étendant sur de nouveaux marchés (72
%) et en augmentant les ventes et les recettes (76 %)
(Columbus 2014). Le tableau 6 montre que de nombreuses
entreprises de commerce électronique du monde entier sont
en mesure d'accroître leur valeur commerciale sous la
forme d'avantages transactionnels, informationnels et
stratégiques grâce à l'utilisation de l'analyse de données de
grande taille.
Amazon, le géant de la vente au détail en ligne, est un
exemple classique d'amélioration de la valeur commerciale et
des performances des entreprises grâce à l'utilisation de
données volumineuses. En effet, l'entreprise a pu générer
environ 30 % de ses ventes grâce à l'analyse (par exemple,
grâce à son moteur de recommandation) (The Economist
des paramètres
commerce tels que la satisfaction des clients, la
électronique exploite désormais la BDA (par exemple, en utilisant les
fidélisation des clients ou l'amélioration des processus données relatives aux habitudes de navigation des clients,
commerciaux. Comme l'a présenté Davenport (2006), au nombre de connexions, aux achats passés) pour envoyer
United Parcel Service (UPS) examine les modèles à chaque client une offre personnalisée : cela a conduit à
d'utilisation et les données relatives aux plaintes afin de une augmentation des ventes de 133 % et à une
prévoir avec précision les défections des clients. Ce processus augmentation de l'engagement des utilisateurs sur site
a permis à l'entreprise d'augmenter considérablement la d'environ 200 % (Jao 2013).
fidélisation de ses clients. Dans le même esprit, LaValle et al.
(2011) ont rapporté qu'une entreprise automobile en ligne a pu Tarification dynamique
développer des stratégies précises de fidélisation des clients
en créant un échantillon de clients à partir de données Dans l'environnement de marché extrêmement
importantes, puis en appliquant des algorithmes analytiques concurrentiel d'aujourd'hui, les clients sont considérés
pour prévoir les probabilités d'attrition, couplés à comme des "rois". Par conséquent, pour attirer de
l'identification des clients à risque. Cette stratégie de nouveaux clients, les entreprises de commerce électronique
fidélisation a par conséquent ouvert à l'entreprise des doivent être actives et dynamiques tout en fixant un prix
perspectives de rendement de centaines de millions de dollars compétitif (Kung et al. 2013). Le site d'Amazon.com
simplement à partir d'une seule marque. Comme les
entreprises de commerce électronique ont la possibilité
d'interagir en temps réel avec les clients plus librement que les
entreprises qui ne disposent pas d'une plate-forme de
commerce électronique, elles doivent utiliser des données
volumineuses à des fins diverses. C'est pourquoi, en
s'appuyant sur les théories pertinentes du commerce
électronique - l'étude actuelle est très éclairante -, nous
présentons comme suit six mécanismes permettant de
renforcer les valeurs commerciales pratiques dans l'économie
des données.
Personnalisation
La première application des grandes données pour les

entreprises de commerce électronique est la fourniture
d'un service personnalisé ou de produits personnalisés
(Koutsabasis et al. 2008). Des études ont montré que les
consommateurs aiment généralement faire leurs achats
chez le même détaillant en utilisant divers canaux et que
les données importantes de ces divers canaux peuvent être
personnalisées en temps réel (Kopp 2013 ; Mehra 2013 ;
Miller 2013). L'analyse des données en temps réel permet
aux entreprises d'offrir aux clients des services
personnalisés comprenant un contenu spécial et des
promotions. En outre, ces services personnalisés aident
les entreprises à distinguer les clients fidèles des
nouveaux clients et à faire des offres promotionnelles en
conséquence (Mehra 2013). Selon Liebowitz (2013), la
personnalisation peut augmenter les ventes de 10 % ou
plus et fournir un retour sur investissement de cinq à huit
fois supérieur aux dépenses de marketing. Bloomspot, à
cet égard, a exploré les données des cartes de crédit des
clients pour suivre les dépenses des clients les plus fidèles
et leur offrir des récompenses par le biais d'offres de suivi
et d'avantages qui ont contribué à accroître la fidélité des
clients (Miller 2013). Wine.com a réalisé une
augmentation massive de ses ventes grâce à un marketing
personnalisé par e-mail (Zhao 2013). Bikeberry. com est
un exemple d'entreprise de commerce électronique qui
Tableau 6Valeur commerciale de l'analyse des grandes données (BDA) dans le commerce électronique
Functions Description Entreprise(s) de Study commerce électronique
Davenport (2006Personnalisation (par exemple, CRM) identifier les clients ayant le plus grand potentiel de profit, Harrah's, Capital One,
fidélité, Barclays
et de service. Augmenter la probabilité qu'ils veuillent
le produit ou le service offert, conserver leur fidélité.
Dynamique pricing Identifier le prix qui maximisera le rendement ou le profit. Progressif, Marriott
Service à la clientèle Détecter rapidement les problèmes de qualité et minimiser les them. Honda, Intel
(par exemple,
qualité du service)
Analyse prédictiveAfin de régler les promotions mondiales pour chaque média dans chaque région. Dell (Matrice DDB)
visibility Analystes de la chaîne d'approvisionnement, notamment Procter & Gamble (P&G)
des opérations et de la chaîne d'approvisionnement
améliorer les performances globales de l'entreprise
en analysant les relations entre les domaines United Parcel Service
fonctionnels. (UPS)
Analyse prédictive (par exemple, le taux de désabonnement)Le groupe de renseignements sur la
clientèle examine les modes d'utilisation et
des données sur les plaintes afin de prévoir avec
précision les défections des clients.
Manyika et al. (2011Analyse prédictive (p. ex. Utilisation de grosses données pour s'emparer de la part de marché des concurrents locaux.
analyse des actions) Tesco
Personnalisation (par exemple, Moteur de recommandation pour générer des messages Amazon.com
marketing direct, marketing "vous pourriez aussi vouloir" pour générer des ventes.
relationnel) Développement d'une segmentation comportementale et d'un Neiman Marcus
Analyse prédictive et par programme de récompense des membres à plusieurs niveaux
grappes (par exemple, en analysant les profils des clients, les changements en temps
segmentation, rentabilité des réel du comportement des clients et la rentabilité des clients.
clients).
Personnalisation (courrier électronique Bases de données clients marketing) intégrées avec des Williams-Sonoma
informations sur certains
60 millions de foyers pour améliorer le taux de
réponse du marketing par courrier électronique.
Personnalisation (offres de ont établi des profils holistiques détaillés de leurs clients, Harrah's, Progressive
services personnalisés) et mènent des expériences et segmentent leurs clients de Insurance,
manière systématique et efficace afin de personnaliser Capital One
les offres de produits et d'accroître la fidélité des clients.
(Davenport et Harris Dynamique Pricing Déterminer le prix le plus exact des produits et services Banque Royale du Canada
2007b) avec un calcul précis de la rentabilité pour le client.
Préférences des clients en Analyse les choix et les réactions des clients à partir Netflix
matière de choix et d'offre de plus d'un milliard d'avis.
de produits A recueilli 80 à 90 % des informations éventuellement Best Buy
(LaValle et al. 2011)L'analyse prédictive (basée sur les nécessaires
données sur les clients afin de générer des informations analytiques sur
les connaissances des les clients.
clients)
(Davenport et al. 2012) Dynamic pricing est capable d'optimiser le prix de 73 millions Macys.com
d'articles en seulement
plus d'une heure.
(Kiron et al. 2012a)Service à la clientèle (par exemple, Utilise des profils personnels et des analyses basées sur la Match.com
service psychologie
l'innovation) pour aider les gens à se connecter et à entrer dans une
relation d'amour.
Sécurité et fraude detection Chaque nouvelle initiative PayPal dans les domaines de la PayPal
finance, des opérations et de la
Les produits sont examinés avec un impact
quantifié et en tirant parti de l'analyse. Automercados Plaza's
(Schroeck et al. 2012)Tarification dynamiquePlanifier des réductions de prix pour vendre des produits périssables
avant qu'ils ne se gâtent.
(Chandrasekaran et al. Analyse des grappes et analyse intègre systématiquement des analyses et des Tesco
2013) prédictive (segmentation) informations sur les consommateurs en utilisant les
données de son programme de fidélisation Clubcard
afin de mieux segmenter et cibler les occasions
offertes aux clients.
Acceptation des nouveaux produits rate Simule les nouveaux produits placés sur les étagères Procter & Gamble
afin de tester (P&G)
les effets de conception en interne et avec les
consommateurs afin d'améliorer l'acceptabilité du
produit après son lancement.
(Davenport et Patil (a) core search Utilise la BDA pour affiner les algorithmes de recherche et de diffusion publicitaire. Google
commerce
2012) électronique(b) annonces
Produit, caractéristique (par Utilise la BDA pour générer des idées de produits, de LinkedIn
exemple, "personnes que fonctionnalités et de services à valeur ajoutée. En
vous connaissez peut- utilisant des "personnes que vous connaissez peut-
être") et service à valeur être", LinkedIn a généré des millions de nouvelles
ajoutée pages vues, ce qui a eu pour effet de modifier
sensiblement à la hausse la trajectoire de croissance de
LinkedIn.
(Liebowitz 2013)Gestion des produitsMacy's analyse les données au niveau de l'unité de gestion des stocks (SKU) Macys.com
pour s'assurer qu'elle dispose d'un assortiment de produits
facilement disponibles.
Le système de tarification dynamique surveille les prix tenir compte des prix des concurrents, des ventes de
concurrents et alerte Amazon toutes les 15 s, ce qui a produits, des actions des clients et de toute préférence
entraîné une augmentation de 35 % de l'ensemble des régionale ou géographique (Kopp 2013). L'accès à ces
ventes. Pour offrir des prix compétitifs aux clients à la informations par l'utilisation de données de grande taille
veille d'une éventuelle augmentation des ventes (comme à devrait permettre aux entreprises de commerce
Noël ou à d'autres périodes festives), Amazon traite des électronique d'établir des prix dynamiques (Leloup et
données importantes en prenant Deveaux 2001).
Service à la clientèle temps réel en combinant les données de transaction avec

l'historique des achats des clients, les journaux Web, les
Un autre domaine clé dans lequel les entreprises de flux sociaux et les données de localisation géospatiale
commerce électronique peuvent utiliser des données des applications pour smartphones. Par exemple, Visa a
volumineuses est le service à la clientèle. Les réclamations installé un important système de gestion de la fraude basé
des clients, communiquées au moyen de formulaires de sur des données qui permet l'inspection de 500 aspects
contact dans les magasins en ligne et de tweetings, différents d'une transaction, ce système permettant
permettent aux entreprises de commerce électronique de d'économiser 2 milliards de dollars US de pertes
faire en sorte que les clients se sentent valorisés potentielles par an.
lorsqu'ils appellent le centre de services, ce qui se
traduit par une prestation de services rapide (Mehra
2013). De même, Miller (Miller 2013) a expliqué qu'en
proposant une maintenance proactive (c'est-à-dire en
prenant des mesures préventives avant qu'une panne n'ait
lieu ou ne soit même détectée) à l'aide de données
importantes obtenues à partir de capteurs installés
dans les produits, les entreprises de commerce
électronique sont en mesure d'offrir un service après-vente
innovant.
Visibilité de la chaîne d'approvisionnement
Lorsque les clients passent une commande sur une

plateforme en ligne, il est logique qu'ils s'attendent à ce que
les entreprises fournissent le service de suivi de la
commande alors que les marchandises sont encore en
transit. Kopp (2013) a expliqué que les clients attendent
des informations clés, telles que la disponibilité exacte, le
statut actuel et l'emplacement de leurs commandes. Les
entreprises de commerce électronique ont souvent du mal
à répondre à ces attentes des clients car divers tiers,
tels que l'entreposage et le transport, sont impliqués dans
le processus de la chaîne d'approvisionnement (Kopp
2013). L'analyse des grandes données (BDA) joue un rôle
clé dans ce contexte en recueillant de multiples
informations auprès de plusieurs parties sur de multiples
produits (Mehra 2013), et informe ensuite précisément
les clients de la date de livraison prévue.
Sécurité et détection de la fraude
Les pertes liées à la fraude s'élèvent en moyenne à 9 000

dollars US pour environ 1 million de dollars US de recettes
(Mehra 2013). Ce montant important de pertes peut être
évité en identifiant les informations pertinentes grâce à
l'utilisation de données volumineuses. Avec l'aide d'une
infrastructure appropriée, telle que Hadoop, les
entreprises de commerce électronique peuvent analyser les
données à un niveau agrégé pour identifier les fraudes liées
aux cartes de crédit, aux retours de produits et aux vols
d'identité 2013). En outre, les entreprises de commerce
électronique sont capables d'identifier les fraudes en
Analyse prédictive
commerce électronique afin de mieux comprendre comment la BDA influence
la valeur commerciale. Des arguments similaires ont été
L'analyse prédictive fait référence à l'identification des avancés par Beath et al. (2012) pour explorer la BDA et la
événements avant qu'ils n'aient lieu grâce à l'utilisation de valeur grandes données. Dans l'ensemble, nous
grandes données (Kopp 2013). L'application de l'analyse suggérons de mener des recherches innovantes et non
prédictive dépend de l'exploration de données robustes traditionnelles sur les marchés électroniques qui tirent parti
(Cherif et Grant 2013). Dans ce contexte, Loveman de la puissance des grandes données pour élaborer des
(2003), PDG et président de Caesar's Entertainment, a théories sous la forme de la capture d'une activité
déclaré que "[l]a meilleure façon de s'engager dans le sociale et économique nouvelle.
marketing axé sur les données est de recueillir des
informations de plus en plus précises sur les préférences
des clients, de mener des expériences et des analyses sur
les nouvelles données et de déterminer les moyens de
satisfaire les intérêts des joueurs [de jeux de casino].
Nous avons réalisé que les informations contenues dans
notre base de données, associées à des outils de science
décisionnelle qui nous ont permis de prédire la valeur
théorique de chaque client, nous permettraient de créer
des inter ventions marketing qui répondent avec profit aux
préférences uniques des joueurs. "Par conséquent,
l'analyse prédictive aide les entreprises à préparer leurs
budgets de revenus. La préparation de ces budgets aide
les entreprises de commerce électronique à reconnaître
les futurs modèles de vente à partir des données de vente
passées (par exemple, annuelles ou trimestrielles). Cela
permet aux entreprises de mieux prévoir et déterminer les
besoins en matière de stocks, ce qui permet d'éviter les
ruptures de stock et les pertes de clients (Mehra 2013).
De même, l'application d'un outil de visualisation et
d'analyse de la demande chez Netflix a permis de prédire
avec précision le comportement et les préférences des
consommateurs lors de la diffusion du programme
"House of Cards" aux États-Unis (Ramaswamy 2013).
Les entreprises de commerce électronique tirent de plus
en plus de valeur commerciale des connaissances de la
BDA, soit pour résoudre des problèmes commerciaux,
soit pour prendre des décisions. Ce nouveau
développement dans le domaine du commerce
électronique basé sur les données déclenche le
développement de nouvelles théories dans le contexte de
la valeur commerciale tangible (par exemple,
l'amélioration de la productivité) et intangible (par
exemple, la compréhension stratégique des affaires) en
utilisant les personnes, les processus et la technologie. Par
exemple, Wixom et al. (2013) ont identifié les "moteurs
d'utilisation généralisée" et les "moteurs de rapidité
d'accès à l'information" comme de nouvelles constructions
pour une éventuelle extension théorique de l'adoption et
de la valeur de la BDA. Dans le même esprit, Fosso
Wamba et al. (2015a) ont mis en évidence les valeurs
commerciales transactionnelles, stratégiques et
transformatrices de la BDA en tant que terrain fertile
pour la création de connaissances. En outre, Sharma et ses
collaborateurs (2014) ont proposé de nouvelles questions
de recherche explorant les rôles des processus d'allocation
et d'orchestration des ressources dans les organisations
Discussion et futur agenda de recherche Le marketing au sein des entreprises de commerce

électronique est confronté à la quantité massive de données
Si l'utilisation de données volumineuses tend à apporter arrivant par de multiples canaux. Par conséquent, le plus
une valeur ajoutée aux entreprises tout au long de la chaîne grand défi consiste à trouver la bonne information sur
de valeur, il existe quelques défis que les organisations chaque client à partir de la grande quantité de données
doivent relever et résoudre avant que les bénéfices des (Agarwal et Dhar 2014 ; Miller 2013). Cette énorme
données volumineuses ne se répercutent sur leurs activités. quantité de données donne aux clients plus de pouvoir que
En effet, toute façon innovante d'effectuer un travail jamais et crée une opportunité pour les spécialistes du
entraîne toujours des défis : les données volumineuses marketing d'établir une relation de confiance et de fidélité
n'échappent pas à cette réalité. De nombreux chercheurs dans le commerce électronique (Gefen 2000, 2002). Bien
ont fait valoir que, si les grandes données ont un grand que des organisations telles que Facebook, Google et
potentiel pour améliorer les performances des entreprises Twitter aient une
et ajouter de la valeur, les décideurs doivent relever divers
défis commerciaux afin d'en récolter les bénéfices
(Davenport 2012 ; Schroeck et al. 2012 ; Shah et al. 2012).
Comme le montre le tableau 7, la présente étude met en
évidence certains de ces défis ayant des implications
théoriques et pratiques, jetant ainsi les bases d'une
recherche potentielle sur la BDA dans le paysage du
commerce électronique.
L'un des plus grands défis dans l'environnement des
grandes données est qu'il ne donne pas d'orientation claire
sur la manière d'atteindre les objectifs commerciaux en
s'alignant sur la culture et les capacités organisationnelles
existantes (Kiron et al. 2014a). À cet égard, Barton (2012)
a souligné que le principal défi pour les gestionnaires est
de rendre les données volumineuses fiables et
compréhensibles pour les employés de première ligne, en
montrant par exemple que les employés de première
ligne sont généralement réticents à utiliser des données
volumineuses car soit ils ne font pas confiance à un modèle
basé sur des données volumineuses, soit ils n'ont pas les
capacités nécessaires pour comprendre comment cela
fonctionne. C'est pourquoi, dans le cadre du processus
d'acceptation par les employés et les autres utilisateurs
finaux, les responsables doivent présenter les données
volumineuses dans un format compréhensible, par
exemple au moyen d'un tableau de bord, de rapports ou
d'un système de visualisation (Bose 2009). En effet, une
capacité d'innovation mène toujours à des avantages
durables à long terme (Porter et Millar 1985) et à des
performances supérieures de l'entreprise grâce aux
caractéristiques de rareté, d'appropriabilité, de non-
reproductibilité et de non-substituabilité (Barney
1991). Par conséquent, la formation requise, les
discussions avec les employés et les cadres concernés, le
rôle actif de la direction (un leader) et les mesures
d'incitation pourraient servir de catalyseurs pour faciliter
l'adoption par les employés et les cadres de données
importantes (Kiron et al. 2014a). À cet égard, McAfee et
Brynjolfsson (2012) ont fait valoir qu'il est très peu
probable qu'une entreprise soit très performante grâce à
l'utilisation de données de grande taille, à moins qu'un
objectif et une stratégie clairs ne soient en place.
commerce processus de consentement souple, affiné, simplifié mais
Le défi électronique
consiste à savoir comment ces entreprises et
informatif (Beskow et al. 2010 ; Ioannidis 2013 ; White,
d'autres sociétés de commerce électronique peuvent
2012) afin d'encourager la recherche communautaire
intégrer la BDA dans leurs pratiques commerciales pour
participative par âge (Bouhaddou et al. 2011). Il ne fait
créer des offres personnalisées, fixer des prix dynamiques
aucun doute que les données volumineuses fournissent des
et utiliser les canaux appropriés pour offrir une valeur
informations exploitables pour les entreprises de commerce
ajoutée au consommateur. Outre la commercialisation, il
électronique, mais elles créent un "paradoxe de la vie
est également important de traiter des données
importantes pour la gestion de la production et des privée" car les consommateurs, d'une part, veulent protéger
opérations en utilisant des outils sophistiqués de gestion leur vie privée et, d'autre part, ils échangent régulièrement
de bases de données. En ce qui concerne le commerce leurs informations personnelles contre des applications
électronique, les partisans des grandes données plaident gratuites, des offres promotionnelles et des incitations dans
pour l'intégration des talents, de la technologie et de les médias sociaux (Hull 2015). Dans ce cas, Nunan et Di
l'information afin de réduire les coûts globaux de Domenico (2013,p.6) affirment que "si l'utilisation et la
transaction (Williamson 1979, 1981). À cet égard, création de données volumineuses ont suscité des
Chang et al. (2014, p.12) ont déclaré que : "[d]ans la inquiétudes quant à la protection de la vie privée, celles-ci
mesure où les grandes données sont maintenant partout ont été dépassées par l'utilisation des réseaux sociaux par
et que la plupart des entreprises peuvent les acquérir, la les individus".
clé de l'avantage concurrentiel est d'accélérer la p r i s e d e
d é c i s io n managériale en fo ur ni s sa n t aux
r esp o n sab le s d e s lignes directrices applicables pour
l'application des compétences en matière de données et
d'analyse dans leurs processus commerciaux".
La disponibilité de données importantes de bonne
qualité est la clé de la valeur ajoutée de l'organisation
(Kiron et al. 2014a). Des données de mauvaise qualité
peuvent résulter d'applications et de tabulations
redondantes, qui augmentent les coûts de stockage des
données et rendent celles-ci plus difficiles à accéder et à
utiliser (Beath et al. 2012). Bien que les données
volumineuses puissent être exploitées pour améliorer la
valeur commerciale, il existe un risque de redondance,
d'inexactitude et de duplication des données qui pourrait
saper le processus décisionnel (Nelson et al. 2005).
Comme le soutiennent Schroeck et al. (2012), la mauvaise
qualité des données ou l'inefficacité de la gouvernance des
données est un défi majeur pour la BDA. Il convient de
noter que l'utilisation des analyses, même les plus
sophistiquées, n'aurait aucun sens si des données
inappropriées étaient en place ou si des données de
mauvaise qualité étaient utilisées (Bose 2009).
Outre la qualité des données, le traitement sécurisé de
la confidentialité et de la sécurité des données
personnelles et organisationnelles (par exemple, les noms
et adresses, les numéros de sécurité sociale, les numéros
de carte de crédit et les informations financières) pourrait
constituer un autre défi pour la gestion des grandes
données (Bose 2009 ; Smith et Shao 2007). Bien que la
croissance sans précédent de la BDA rende séduisante
l'utilisation de données sans consentement, le fait que des
répondants non consentants puissent compromettre
l'avancement de la recherche. En tant que tel, le
consentement éclairé est un grand défi dans un
environnement de données importantes (Bialobrzeski et
al. 2012). En effet, le processus de consentement éclairé
doit être rationalisé dans la BDA en adoptant un
Tableau 7Questions de recherche futures pour l'analyse des grandes données (BDA) dans le commerce électronique
Flux de recherche sur theories Questions de recherche futures pertinentes theories pour la BDA dans le
le commerce domaine du commerce électronique
électronique
Stratégie, culture, Théorie basée sur les • Comment les organisations peuvent-elles mieux intégrer les
leadership et organisation ressources (Barney 1991), différences fonctionnelles dans leur grande stratégie de données
Stratégie concurrentielle afin de développer une grande culture orientée vers les données ?
(Porter et Millar 1985) • Comment les organisations peuvent-elles assurer l'alignement des
activités, la transformation des processus commerciaux et
l'analyse stratégique dans l'environnement des grandes données ?
Marketing et théorie de l'orientation du sales marché (Kohli • Quels sont les facteurs qui influencent la valeur perçue par le consommateur
et des données importantes ?
Jaworski 1990 ; Narver et Slater • Quelles sont les offres qui génèrent le plus de profit et quels
1990), la théorie des relations sont les segments les plus attractifs ?
dans
• Comment la tarification peut-elle être adaptée au client individuel ?
commerce électronique (Gefen
2000, 2002), valeur pour le • Facteurs influençant la confiance et la fidélité des clients dans le commerce
consommateur (Holbrook 1999) électronique ?
Production et gestion des Théorie des coûts de transaction • Quel est l'impact des grandes données sur les opérations lean, la
opérations (Williamson 1979, 1981) gestion de la qualité et la gestion de la chaîne d'approvisionnement ?
• Comment les organisations peuvent-elles mieux utiliser les
informations provenant de données volumineuses pour
atteindre l'excellence opérationnelle ?
• Quel est l'impact des grandes données sur les opérations de
Qualité des théorie de la qualité des TI (Nelson commerce électronique dans divers secteurs (par exemple, les
données, et al. 2005), théorie du succès des soins de santé, le commerce de détail et l'industrie manufacturière)
infrastructure SI (Delone 2003 ; DeLone et ?
informatique McLean 1992), sociomatérialité • Quels sont les facteurs qui influencent le coût, la qualité, la
et sécurité des TI (Orlikowski 2007) conservation, la visualisation, la gouvernance, la sécurité et la
confidentialité des données ?
• Comment une entreprise de commerce électronique peut-elle
combiner tous les canaux pour générer, acquérir, transformer et
intégrer des données volumineuses ?
• Quels types de contrats peuvent permettre aux entreprises d'utiliser des
données volumineuses à des fins légitimes ?
• Quelles sont les dimensions de la capacité BDA pour les entreprises de
commerce électronique ?
• Comment une entreprise peut-elle exploiter de grandes sources de
données et une architecture basée sur le cloud pour produire des
informations et de la valeur commerciale ?
• Les préoccupations en matière de vie privée et de sécurité ont-elles un
impact sur les clients ?
Ressources Théorie basée sur les ressources (Barney 1991) - Quels sont les facteurs qui influencent la sélection et la
humaines/gestion conservation des scientifiques des données ?
des talents • Quels types de formation améliorent les compétences et l'engagement
des employés à tous les niveaux pour traiter des données
volumineuses ?
La valeur commerciale globale des value TI • Comment l'analyse commerciale et le processus de décision
(Melville et al. organisationnel s'influencent-ils mutuellement et quels sont leurs effets
2004), la valeur conjoints sur les performances de l'entreprise ?
commerciale de l'analyse • En quoi l'adoption et la mise en œuvre de données importantes
(Wixom et al. 2013) varient-elles selon les types d'entreprises du secteur du
commerce électronique ?
• Comment les organisations exploitent-elles les grandes données dont
elles disposent et en tirent-elles profit ?
• Quels sont les facteurs qui influencent le cycle de vie des données
dans le secteur du commerce électronique ? Quelles sont leurs
implications à différents stades ?
Bien que les consommateurs partagent de plus en plus d'informations personnelles sur les sites de commerce
électronique ou dans les réseaux sociaux, on s'attend à ce
commerce électronique les données sont utilisées par qui et à quelles fins. Dans ce
que les entreprises ne violent pas la vie privée des contexte, Vaidhyanathan et Bulock (2014) se sont
consommateurs parce que ceux-ci divulguent des interrogés sur la validité de la surveillance des
informations en s'attendant à ce qu'elles soient comportements d'achat en ligne et sur la mesure dans
confidentielles en vertu des "conditions d'utilisation" laquelle les consommateurs sont informés et conscients de
(Martin 2015). Malgré les attentes des consommateurs en ce type de surveillance. Les entreprises du secteur des
matière de données anonymes pour protéger leur vie privée, grandes données sont souvent impliquées dans la création
l'étude en cours sur la BDA identifie une nouvelle vague d'une externalité négative agrégée car elles contribuent
de technologies et d'outils (par exemple, les logiciels de conjointement au développement d'un vaste système de
reconnaissance faciale) pour désanonymiser et réidentifier surveillance (Martin 2015). Toute surveillance de ce type
les personnes dans l'économie des données. Elle soulève de et toute révélation potentielle (par exemple, la révélation du
sérieuses inquiétudes quant à l'utilisation de ce que l'on programme PRISM par Edward Snowden et son
appelle les grandes données publiques (Boyd et Crawford implication avec les grandes entreprises - Yahoo, Google,
2012). Il en résulte un appel urgent à la recherche pour Facebook, Microsoft, Apple, etc.) attirent l'attention sur la
protéger la vie privée, tant technologiquement que sécurité des informations privées (Bankston et Soltani 2014
juridiquement, à l'ère de la recherche biométrique et ; Schneier 2013). Dans ce contexte, Google a récemment
génomique sur les grandes données (Kaplan 2014). introduit la politique du "droit d'être oublié" dans l'Union
Outre la protection de la vie privée, les données européenne, qui permet à un individu de supprimer
volumineuses posent de sérieux problèmes de sécurité car
les consommateurs ne savent pas du tout comment leur
personnes peuvent se rassembler pour créer de la valeur

des données personnelles non pertinentes provenant de ses
commerciale (Biesdorf et al. 2013). Plus précisément, dans
résultats de recherche. Le domaine des grands accords de
un esprit similaire à celui de Davenport (2013b), nous
partage de données reste encore informel, mal structuré,
suggérons d'élaborer un plan de recherche en reconnaissant
appliqué manuellement et lié à des transactions isolées
le problème, en examinant les résultats passés, en identifiant
(George et al. 2014 ; Pantelis et Aija 2013). Ainsi, pour
les variables et en développant le modèle, en collectant et en
réussir dans l'environnement émergent des grandes
analysant les données et en prenant des décisions sur les
données, les entreprises de commerce électronique doivent
idées réalisables. Dans l'ensemble, il existe une multitude de
être responsables de l'autonomie et du consentement
possibilités pour aborder des questions passionnantes et non
éclairé et garantir la confidentialité et la sécurité des
triviales dans le domaine du commerce électronique et nous
données.
proposons quelques illustrations dans le tableau 7 en nous
Un autre défi majeur de l'environnement des grandes
concentrant sur des flux de recherche spécifiques. Toutefois,
données est de trouver les compétences, telles que les
l'évaluation de questions passionnantes et non triviales dans
compétences techniques, analytiques et de gouvernance
le domaine du commerce électronique doit être basée sur
ainsi que les relations en réseau nécessaires pour rendre
l'adéquation, la rigueur, l'histoire, la théorie et la signification
opérationnelles les grandes données (Davenport et al.
économique et sociale.
2012 ; Kiron et al. 2014a ; Schroeck et al. 2012).
Cependant, il n'est pas facile de trouver toutes ces
compétences chez une seule personne. Comme le
soutiennent McAfee et Brynjolfsson (2012) et Kiron et
al. (2014a), l'énorme quantité de données volumineuses
doit être saisie, intégrée, nettoyée et visualisée ; par
conséquent, les compétences techniques et analytiques du
spécialiste des données (par exemple, les compétences
statistiques, contextuelles, quantitatives, prédictives et
cognitives, et autres connaissances connexes) sont
essentielles. En outre, ces scientifiques devraient être au
fait des questions relatives aux entreprises et à la
gouvernance, et devraient avoir les compétences
nécessaires pour communiquer dans le langage des
affaires. Selon la théorie du sociomatérialisme en TI
(Orlikowski et Scott 2008), les dimensions
organisationnelle (c.-à-d. la gestion de la BDA),
technologique (c.-à-d. l'infrastructure des TI) et du talent
(par exemple, les compétences ou les connaissances
analytiques) sont tellement imbriquées qu'il est difficile de
mesurer leur contribution individuelle isolément
(Orlikowski et Scott 2008). Par conséquent, il est
essentiel de développer une grande capacité d'analyse des
données en se concentrant sur une technologie
sophistiquée, un talent solide et une culture de gestion axée
sur l'analyse.
Dans l'ensemble, le manque de capacité
organisationnelle à articuler un dossier commercial solide
et convaincant risque de constituer un défi majeur pour la
BDA dans le domaine du commerce électronique. Tant
dans le milieu universitaire que dans la pratique, les
chercheurs (par exemple, Hayashi 2014 ; Kiron et al.
2014b ; Wamba et al. 2015) ont signalé qu'un cas fascinant
de possibilités d'affaires avec des avantages mesurables est
le principal défi des grandes données. Comme la plupart
des organisations sont confrontées au dilemme de
l'utilisation des données volumineuses, nous conseillons de
commencer par élaborer un plan simple sur la manière dont
les données, les analyses, les outils de première ligne et les
pour vous. Harvard Business Review, 90(78-83), 128.
Conclusion
Barton, D., & Court, D. (2012). Faire travailler l'analyse avancée pour
vous.
L'analyse des grandes données (BDA) est apparue comme Harvard Business Review, 90, 78.
la nouvelle frontière de l'innovation et de la concurrence Beath, C., Becerra-Fernandez, I., Ross, J. et Short, J. (2012). Trouver
de la valeur dans l'explosion de l'information. MIT Sloan
dans le large spectre du paysage du commerce Management Review, 53, 18-20.
électronique en raison des défis et des opportunités créés Benedettini, O., Neely, A., 2012. Complexité des services : Un cadre
par la révolution de l'information. L'analyse des grandes pour l'interprétation, 23e conférence annuelle de la POMS.
données (BDA) apporte de plus en plus de valeur aux Bennett, P., Giles, L., Halevy, A., Han, J., Hearst, M., Leskovec, J.,
entreprises de commerce électronique en utilisant la 2013. Channeling the deluge : research challenges for big data
and information systems, Proceedings of the 22nd ACM
dynamique des personnes, des processus et des international
technologies pour transformer les données en
informations permettant de prendre des décisions solides
et de trouver des solutions aux problèmes commerciaux.
Il s'agit d'un processus holistique qui traite des données,
des sources, des compétences et des systèmes afin de
créer un avantage concurrentiel. Les grandes entreprises
de commerce électronique telles que Google, Amazon,
eBay, ASOS, Netflix et Facebook ont déjà adopté la BDA
et connaissent une croissance énorme. Par son examen
systématique et la création d'une taxinomie des aspects
clés de la BDA, cette étude présente un point de départ
utile pour l'application de la BDA dans la recherche
émergente sur le commerce électronique. L'étude présente
une approche permettant de regrouper toutes les
meilleures pratiques qui créent et façonnent les capacités
de la BDA. En outre, l'étude montre qu'une fois que la
BDA et son champ d'application sont bien définis, que les
caractéristiques distinctives et les types de données
importantes sont bien compris et que les problèmes sont
correctement traités, l'application BDA maximisera la
valeur commerciale en facilitant l'utilisation généralisée et
la diffusion rapide des connaissances dans les
organisations.
Références
Agarwal, R., & Dhar, V. (2014). Éditorial-grandes données, science

des données et analyse : l'opportunité et le défi pour la
recherche sur les SI. Information Systems Research, 25, 443-
448.
Agarwal, R., & Weill, P. (2012). Les avantages de la combinaison
des données avec l'empathie. MIT Sloan Management Review,
54, 35.
Allen, B., Bresnahan, J., Childers, L., Foster, I., Kandaswamy, G.,
Kettimuthu, R., Kordas, J., Link, M., Martin, S., Pickett, K. et
Tuecke, S. (2012). Software as a service for data
scientists.Communications de l'ACM, 55, 81-88.
Ann Keller, S., Koonin, S. E., & Shipp, S. (2012). Les grandes
données et la vie en ville
- que peut-elle faire pour nous ? Signification, 9, 4-7.
Bankston, K.S., Soltani, A., (2014). Les petits gendarmes et le coût
de la surveillance : Making cents out of United States V.
Jones. Yale Law Journal Online 123.
Barney, J. (1991). Des ressources solides et un avantage concurrentiel
durable.
Journal of Management, 17, 99-120.
Barrett, M., Davidson, E., Prabhu, J., & Vargo, S. L. (2015).
L'innovation en matière de services à l'ère numérique. MIS
Quarterly, 39, 135-154.
Barton, D. (2012). Faire en sorte que l'analyse avancée fonctionne
/asset_publisher/LCcgOeS4t85g/ content/big-data-and-the-creative-
Conférence sur la gestion de l'information et des connaissances.
destruction-of-today-s-business- models/10192.
ACM, p. 2537-2538.
Columbus, L. (2014). Rendre l'analyse responsable : 56 % des
Beskow, L. M., Friedman, J. Y., Hardy, N. C., Lin, L., & Weinfurt, K.
dirigeants s'attendent à ce que l'analytique contribue à une
P. (2010). Élaboration d'un formulaire de consentement simplifié
croissance de 10 % ou plus en 2014. Forbes. Disponible sur :
pour les biobanques. PloS One, 5, e13302.
http://www.forbes.com/sites/louiscolumbus/ 2014/12/10/making-
Beulke, D., (2011). Big Data Impacts Data Management : Les 5 V des
analytics-accountable-56-of-executives-
grandes données. URL : http://davebeulke.com/big-data-
impacts-data- management-the-five-vs-of-big-data
Bhattacherjee, A. (2001). Understanding information systems
continu- ance : an expectation-confirmation model. MIS
Quarterly, 25, 351-370.
Bialobrzeski, A., Ried, J., & Dabrock, P. (2012). Différencier et
évaluer le bien commun et le bien public : rendre les
assomptions implicites explicites dans les contextes du
consentement et du devoir de participation.Public Health
Genomics, 15, 285-292.
Biesdorf, S., Court, D., & Willmott, P. (2013). Grosse donnée : Quel
est votre plan ? McKinsey Quarterly.
Birnik, A., & Bowman, C. (2007). La normalisation du marketing
mix dans les entreprises multinationales : un examen des preuves.
International Journal of Management Reviews, 9, 303-324.
Boja, C., Pocovnicu, A. et Batagan, L. (2012). Distributed Parallel
Architecture for "Big Data". Informatica Economica, 16, 116-
127.
Bose, R. (2009). Analyse avancée : opportunités et défis.
Industrial Management & Data Systems, 109, 155-172.
Bouhaddou, O., Bennett, J., Cromwell, T., Nixon, G., Teal, J., Davis,
M., Smith, R., Fischetti, L., Parker, D. et Gillen, Z. (2011). The
Department of Veterans Affairs, Department of Defense, and
Kaiser Permanente Nationwide health information network ex
change in San Diego : Patient selection, consent, and identity
Matching, actes du symposium annuel de l'AMIA (p. 135).
Association américaine d'informatique médicale.
Boyd, D., & Crawford, K. (2012). Critical questions for big data :
provo- cations for a cultural, technological, and scholarly
phenomenon.Information Communication and Society, 15, 662-
679.
Bragge, J., Sunikka, A., & Kallio, H. (2012). Une étude exploratoire
sur les réponses des clients aux messages bannières
personnalisés dans le contexte de la banque en ligne. JITTA :
Journal of Information Technology Theory and Application, 13, 5-
18.
Braun, V., & Clarke, V. (2006). Using thematic analysis in
psychology qualitative research in psychology, 3, 77-101. Bristol
: Université de l'Ouest de l'Angleterre.
Brown, B., Chul, M., Manyika, J., (2011). Êtes-vous prêt pour l'ère de
"grosses données" ? McKinsey Quarterly 4, 24-35.
Bughin, J., Chui, M., & Manyika, J. (2010). Nuages, données
importantes et actifs intelligents : dix tendances commerciales
basées sur les technologies à surveiller. The McKinsey Quarterly,
4, 26-43.
Bughin, J., Livingston, J. et Marwaha, S. (2011). Saisir le potentiel de
"grosses données". The McKinsey Quarterly, 4, 103-109.
Chandrasekaran, S., Levin, R., Patel, H., Roberts, R., (2013). Gagner
avec les TI dans les biens de consommation emballés : Sept
tendances qui transforment le rôle du DSI. McKinsey &
Company, pp. 1-8.
Chang, R. M., Kauffman, R. J., & Kwon, Y. (2014). Comprendre le
changement de paradigme vers les sciences sociales
computationnelles en présence de grandes données. Decision
Support Systems, 63, 67-80.
Cherif, E., & Grant, D. (2013). Analyse des modèles de commerce
électronique dans l'immobilier. Electronic Commerce Research,
14, 1-26.
Christian, H., (2013). Les grandes données et la destruction créative
des modèles économiques actuels. AT Kerney, Disponible :
http://www. atkearney. fr/ strategic-it/ideas-insights/article/-
Éditorial invité : gestion de la chaîne d'approvisionnement par
expect-analytics-to-contribute-to-10-or-more-growth-in-2014/
les technologies de l'information. Production Planning and
#761c65a95b56 (consulté le 2 février 2016).
Control, 26, 933-944.
Constantiou, I.D., Kallinikos, J., (2015). Nouveaux jeux, nouvelles
Fosso Wamba, S., Akter, S., Edwards, A., Chopin, G., & Gnanzou, D.
règles : Les grandes données et le contexte changeant de la
(2015b). Comment des "données volumineuses" peuvent avoir
stratégie. Journal of Information Technology, 30(1), 44-57.
un impact important : conclusions d'une étude systématique et
Davenport, T. H. (2006). Competing on Analytics. Harvard
d'une étude de cas longitudinale. International Journal of
Business Review, 84, 98-107.
Production Economics, 165, 234-246.
Davenport, T. H. (2010). Le nouveau monde de l'"analyse
d'entreprise".
International Institute for Analytics, 1-6.
Davenport, T.H., 2012. L'aspect humain des grandes données et
de l'analyse de haute performance. International Institute for
Analytics, pp. 1-13.
Davenport, T. H. (2013a). Analytics 3.0. Harvard Business Review,
91, 64-72.
Davenport, T. H. (2013b). Suivez le rythme de vos quants. Harvard
Business Review, 91, 120-123.
Davenport, T. H., & Harris, J. G. (2007a). Competing on analytics :
La nouvelle science de la victoire. Boston : Harvard Business
School Press.
Davenport, T.H., Harris, J.G., (2007b). Le côté obscur de l'analyse
de la clientèle - ics. Harvard Business Review 85, 37 - +.
Davenport, T. H., & Patil, D. (2012). Data scientist : the sexiest job of
the 21st century. Harvard Business Review, 90, 70-77.
Davenport, T. H., Barth, P., & Bean, R. (2012). How 'Big Data' is
Different. MIT Sloan Management Review, 54, 43-46.
De Swert, K., (2012). Calcul de la fiabilité inter-codeurs dans
l'analyse du contenu des médias en utilisant l'alpha de
Krippendorff. Centre pour la politique et la communication.
Delone, W. H. (2003). The DeLone and McLean model of
information systems success : a ten-year update. Journal of
Management Information Systems, 19, 9-30.
DeLone, W. H., & McLean, E. R. (1992). Succès des systèmes
d'information : la recherche de la variable dépendante.
Information Systems Research, 3, 60-95.
Demirkan, H., Delen, D., (2012). Exploiter les capacités des
systèmes d'aide à la décision axés sur les services : Mettre les
analyses et les données importantes dans le nuage. Systèmes
d'aide à la décision.
Devaraj, S., Fan, M., & Kohli, R. (2002). Antécédents de la
satisfaction et de la préférence pour les canaux B2C :
validation des mesures du commerce
électronique.Information Systems Research, 13, 316-333.
Dijcks, J. P. (2012). Oracle : Big data for the Enterprise. Oracle :
États-Unis. Dimon, R. (2013). Comprendre : Transformer les idées
en actions. Entreprise
La gestion des performances est bien faite : Un système
d'exploitation pour votre organisation, pp.57-77.
Dinev, T., & Hart, P. (2006). Un modèle de calcul de la vie privée
étendu pour les transactions de commerce électronique. Information
Systems Research, 17, 61-80. emarketer, (2013). Les ventes du
commerce électronique ont dépassé 1 000 milliards de dollars pour la
première fois en 2012. Disponible à l'adresse suivante :
www.emarketer.com/Article/Ecommerce-Sales- Topped-1-Trillion-
First-Time-2012/1009649 (consulté le 10 avril
2013).
Ezzy, D. (2002). Analyse qualitative : Pratique et innovation Allen &
Unwin. Nid de corbeaux : Allen & Unwins.
Ferguson, R. B. (2012). Risky business : how data analytics and
behav- ioral science can help. MIT Sloan Management Review,
54, 1-5.
Fisher, D., DeLine, R., Czerwinski, M. et Drucker, S. (2012).
Interactions avec les grandes analyses de données. Interactions,
19, 50.
Fosso Wamba, S., Anand, A. et Carter, L. (2013). Une analyse
documentaire des applications et des problèmes liés aux soins
de santé utilisant la RFID. International Journal of
Information Management, 33, 875-891.
Fosso Wamba, S., Akter, S., Coltman, T. W. T., & Ngai, E. (2015a).
ager’s guide. Reading: Addison-Wesley Professional.

Frost, R., Strauss, J., (2013). E-marketing. Pearson Prentice Hall.
Upper Saddle River, NJ.
Gantz, J., & Reinsel, D. (2012). L'univers numérique en 2020 : De
grandes données, de plus grandes ombres numériques, et la plus
grande croissance en Extrême-Orient (2012). URL :
http://www.emc.com/collateral/analyst-reports/idc-the-
digital-universein-2020.pdf.
Gefen, D. (2000). Le commerce électronique : le rôle de la familiarité
et de la confiance. Omega, 28, 725-737.
Gefen, D. (2002). La fidélité des clients dans le commerce
électronique. Journal of the Association for Information Systems,
3, 27-51.
Gehrke, J. (2012). Quo vadis, confidentialité des données ? Annales
de l'Académie des sciences de New York, 1260, 45-54.
Gentile, B., (2012). Top 5 des mythes sur les grandes données.
Disponible sur : http:// mashable.com/2012/06/19/big-data-
myths/#MwZnjjrOR8qV (consulté le 2 mars 2016).
George, G., Haas, M. R., & Pentland, A. (2014). Big data and
management. Academy of Management Journal, 57, 321-326.
Gobble, M. M. (2013). Big data : the next big thing in innovation.
Gestion des technologies de la recherche, 56, 64-66.
Goes, P.B., (2014). Big Data and IS Research. MIS Quarterly 38, iii-
viii. Goff, J., McInerney, P., Soni, G., (2012). Need for speed :
Algorithmic marketing and customer data overload, McKinsey
Quarterly.
Griffin, R. (2012). Using Big Data to Combat Enterprise Fraud.
Financial Executive, 28, 44-47.
Griffin, J., & Danson, F. (2012). Analytics and the Cloud - the Future
is here. Financial Executive, 28, 97-98.
Havens, T. C., Bezdek, J. C., Leckie, C., Hall, L. O., & Palaniswami,
M. (2012). Fuzzy C-means algorithms for very large data. Fuzzy
Systems, IEEE Transactions on, 20, 1130-1146.
Hayashi, A. M. (2014). Thriving in a big data world. MIT Sloan
Management Review, 55, 35–39.
Hayes, A.F., (2011). My macros and code for SPSS and SAS. Retrieved
September 27, 2011.
Hayes, A. F., & Krippendorff, K. (2007). Answering the call for a stan-
dard reliability measure for coding data. Communication Methods
and Measures, 1, 77–89.
Highfield, (2012). Talking of Many Things: Using Topical Networks to
Study Discussions in Social Media. Journal of Technology in
Human Services, 30(3–4), 204–218.
Holbrook, M. B. (1999). Consumer value: A framework for analysis and
research. London: Psychology Press.
Hsinchun, C., Chiang, R. H. L., & Storey, V. C. (2012). Business intelli-
gence and analytics: from big data to big impact. MIS Quarterly, 36,
1165–1188.
Hull, G. (2015). Successful failure: what foucault can teach us about
privacy self-management in a world of facebook and big data.
Ethics and Information Technology, 17(2), 89–101.
Huwe, T. K. (2012). Big data, big future. Computers in Libraries, 32, 20–
22.
IBM, (2012). What is big data? Available at: http://www-01.ibm.com/
software/data/bigdata/what-is-big-data.html (Accessed 2nd of
March, 2016).
Ioannidis, J. P. (2013). Informed consent, big data, and the oxymoron of
research that is not research. The American Journal of Bioethics, 13,
40–42.
Jacobs, A., (2009). The Pathologies of Big Data. Association For
Computing Machinery. Communications of the ACM 52, 36.
Jao, J., (2013). Why big data Is A must In ecommerce. Available at: http://
www.bigdatalandscape.com/news/why-big-data-is-a-must-in-
ecommerce (Accessed 2nd of March, 2016).
Johnson, B. D. (2012a). The secret life of data. The Futurist, 46, 20–23.
Johnson, J. E. (2012b). Big data + big analytics = big opportunity.
Financial Executive, 28, 50–53.
Kalakota, R., & Whinston, A. B. (1997). Electronic commerce: A man-
business model transformation arising from digitization and
Kang, K.-D.,
commerce Son, S. H., & Stankovic, J. A. (2003). Differentiated
électronique
big data
real- time data services for E-commerce applications.
Electronic Commerce Research, 3, 113–142.
Kaplan, B. (2014). Selling health data: De-Identification, privacy,
and speech. Forthcoming: Cambridge Quarterly of Healthcare
Ethics, 24(3):256–71. doi: 10.1017/S0963180114000589.
Kauffman, R. J., Srivastava, J., & Vayghan, J. (2012). Business and
data analytics: new innovations for the management of E-
commerce. Electronic Commerce Research and Applications, 11,
85–88.
Kim, G., Shin, B., & Kwon, O. (2012). Investigating the value of
sociomaterialism in conceptualizing it capability of a firm.
Journal of Management Information Systems, 29, 327–362.
Kiron, D., Prentice, P. K., & Ferguson, R. B. (2012a). Innovating
with analytics. MIT Sloan Management Review, 54, 47–52.
Kiron, D., Shockley, R., Kruschwitz, N., Finch, G., & Haydock, M.
(2012b). Analytics: the widening divide. MIT Sloan
Management Review, 53, 1–22.
Kiron, D., Prentice, P. K., & Ferguson, R. B. (2014a). The analytics
mandate. MIT Sloan Management Review, 55, 1–25.
Kiron, D., Prentice, P. K., & Ferguson, R. B. (2014b). Raising the bar
with analytics. MIT Sloan Management Review, 55, 29–33.
Koch, C. (2013). Compilation and synthesis in big data analytics, big
data (pp. 6–6). Berlin: Springer.
Kohli, A. K., & Jaworski, B. J. (1990). Market orientation: the
construct, research propositions, and managerial implications.
The Journal of Marketing, 54, 1–18.
Koirala, P., (2012). What is Big Data Analytics and its Application in
E- Commerce? www.venturecity.com.
Kopp, M., (2013). Seizing the big data opportunity, Ecommerce
Times. Available at:
http://www.ecommercetimes.com/story/78390.html (Accessed
2nd of March, 2016).
Koutsabasis, P., Stavrakis, M., Viorres, N., Darzentas, J. S., Spyrou, T.,
& Darzentas, J. (2008). A descriptive reference framework for
the personalisation of e-business applications. Electronic
Commerce Research, 8, 173–192.
Krippendorff, K. (2004). Reliability in content analysis. Human
Communication Research, 30, 411–433.
Krippendorff, K., (2007). Computing Krippendorff’s alpha
reliability. Departmental Papers (ASC), 43. Available at:
http://repository.
upenn.edu/cgi/viewcontent.cgi?article=1043&context=asc_papers
(Accessed 2nd of March)
Kung, D. S., Gordon, L. C., Lin, F., Shayo, C., & Dyck, H. (2013).
2013. IT-based System with Dynamic Pricing Algorithm.
Business Journal for Entrepreneurs: Business Analytics.
Lane, J., (2012). O Privacy, Where Art Thou?: Protecting Privacy and
Confidentiality in an Era of Big Data Access. Chance, 25(4), 39–41.
LaValle, S., Lesser, E., Shockley, R., Hopkins, M. S., & Kruschwitz,
N. (2011). Big Data, Analytics and the Path from Insights to Value.
MIT
Sloan Management Review, 52, 21–32.
Leavitt, N. (2013). Bringing Big Analytics to the Masses. Computer,
46, 20–23.
Leloup, B., & Deveaux, L. (2001). Dynamic pricing on the internet:
theory and simulations. Electronic Commerce Research, 1,
265– 276.
Liebowitz, J. (2013). Big data and business analytics. Boca Raton:
CRC Press.
Lim, E. P., Chen, H., & Chen, G. (2013a). Business Intelligence and
Analytics: Research Directions. ACM Transactions on
Management Information Systems, 3, 17.
Lim, M.K., Bahr, W., Leung, S.C., (2013b). RFID in the warehouse:
A literature analysis (1995–2010) of its applications, benefits,
challenges and future trends. International Journal of
Production Economics, 145(1).
Loebbecke, C., & Picot, A. (2015). Reflections on societal and
analytics: a research agenda. The Journal of Strategic Information Rajpurohit, A., (2013). Big data for business managers—Bridging the
Systems, 24, 149–157. gap between potential and value, Big Data, 2013 I.E. International
Loveman, G. (2003). Diamonds in the data mine. Harvard Business Conference on. IEEE, pp. 29–31.
Review, 81, 109–113. Ramaswamy, S., (2013). What the Companies Winning at Big Data Do
Manyika, J., Chui, M., Brown, B., Bughin, J., Dobbs, R., Roxburgh, C., Differently. Bloomberg, June: http://www. bloomberg. com/news/
Byers, A.H., (2011). Big data: The next frontier for innovation, 2013–06-25/what-the-companies-winning-at-big-data-do-different-
competition, and productivity. McKinsey Global Institute. ly. html.
Martin, K.E., (2015). Ethical Issues in the Big Data Industry. MIS Riggins, F. J. (1999). A framework for identifying web-based electronic
Quarterly Executive 14, 67–85. commerce opportunities. Journal of Organizational Computing and
McAfee, A., Brynjolfsson, E., Davenport, T.H., Patil, D.J. and Barton, D., Electronic Commerce, 9, 297–310.
(2012). Big data. The management revolution. Harvard Business Rouse, M., (2011). big data (Big Data). Available at: http://
Review, 90(10), 61–67. searchcloudcomputing.techtarget.com/definition/big-data-Big-Data
Mehra, G., (2013). 6 uses of big data for online retailers, Practical (retrieved 11.03.13).
Ecommerce. Available at: http://www.practicalecommerce.com/ Russom, P., (2011, September). The three Vs of big data analytics. TDWI
articles/3960-6-Uses-of-Big-Data-for-Online-Retailers (Accessed Best Practices Report, Fourth Quarter. 18:1–35.
2nd of March, 2016). Schneier, B., (2013). The US Government has betrayed the internet. we
Melville, N., Kraemer, K., & Gurbaxani, V. (2004). Review: information need to take it back. The Guardian. Sept 5, 2013.
technology and organizational performance: an integrative model of Schroeck, M., Shockley, R., Smart, J., Romero-Morales, D., & Tufano, P.
it business value. MIS Quarterly, 28, 283–322. P. (2012). Analytics: The real-world use of big data. NY, USA: IBM
Miller, G., (2013). 6 ways To use “big data” To increase operating mar- Institute for Business Value.
gins By 60 %. Available at: http://upstreamcommerce.com/blog/ Shah, S., Horne, A., Capellá, J., (2012). Good data won’t guarantee good
2012/04/11/6-ways-big-data-increase-operating-margins-60-part-2 decisions. Harvard Business Review 90, 23–25.
(Accessed 2nd of March, 16). Shanks, G., Sharma, R., Seddon, P., Reynolds, P., (2010). The impact of
Minelli, M., Chambers, M., & Dhiraj, A. (2013). Business analytics (pp. strategy and maturity on business analytics and firm performance: A
99–125). Big Data, Big Analytics: Emerging Business Intelligence review and research agenda. ACIS 2010 Proceedings.
and Analytic Trends for Today’s Businesses. Sharma, R., Mithas, S., & Kankanhalli, A. (2014). Transforming
Mithas, S., Lee, M. R., Earley, S., Murugesan, S., & Djavanshir, R. decision-making processes: a research agenda for understanding
(2013). Leveraging big data and business analytics. IT the impact of business analytics on organisations. European
Professional, 15, 18–20. Journal of Information Systems, 23, 433–441.
Narver, J. C., & Slater, S. F. (1990). The effect of a market orientation on Smith, R., & Shao, J. (2007). Privacy and E-commerce: a consumer-
business profitability. The Journal of Marketing, 54, 20–35. centric perspective. Electronic Commerce Research, 7, 89–116.
Nelson, R. R., Todd, P. A., & Wixom, B. H. (2005). Antecedents of Szongott, C., Henne, B. and von Voigt, G., (2012, June). Big data privacy
information and system quality: an empirical examination within issues in public social media. In Digital Ecosystems Technologies
the context of data warehousing. Journal of Management (DEST), 2012 6th IEEE International Conference on (pp. 1–6).
Information Systems, 21, 199–235. IEEE.
Ngai, E. W. T., & Wat, F. K. T. (2002). A literature review and classifi- Spiggle, S. (1994). Analysis and interpretation of qualitative data in con-
cation of electronic commerce research. Information Management, sumer research. Journal of Consumer Research, 21, 491–503.
39, 415–429. Strawn, G. O. (2012). Scientific research: how many paradigms?
Ngai, E. W. T., Moon, K. K. L., Riggins, F. J., & Yi, C. Y. (2008). RFID Educause Review, 47, 26.
research: an academic literature review (1995-2005) and future re- Tankard, C. (2012). Big Data Security. Network Security, 2012, 5–8.
search directions. International Journal of Production Economics, The Economist, (2011). Building with big data: The data revolution is
112, 510–520. changing the landscape of business. Available at: http://www.
Ngai, E. W. T., Xiu, L., & Chau, D. C. K. (2009). Application of data economist.com/node/18741392 (Accessed 2nd of March, 2016).
mining techniques in customer relationship management: a literature Vaidhyanathan, S., & Bulock, C. (2014). Knowledge and dignity in the
review and classification. Expert Systems with Applications, 36, era of “big data”. The Serials Librarian, 66, 49–64.
2592–2602. Vaithianathan, S. (2010). A review of E-commerce literature on india and
Nunan, D., & Di Domenico, M. (2013). Market research and the ethics of research agenda for the future. Electronic Commerce Research, 10,
big data. International Journal of Market Research, 55, 505–520. 83–97.
Ohata, M., & Kumar, A. (2012). Big data: a boon to business intelligence. Viaene, S., & Van den Bunder, A. (2011). The secrets to managing busi-
Financial Executive, 28, 63–64. ness analytics projects. MIT Sloan Management Review, 53, 65–69.
Orlikowski, W. J. (2007). Sociomaterial practices: exploring technology Wagner, E. (2012). Realities learning professionals need to know about
at work. Organization Studies, 28, 1435–1448. analytics. T+D, 66, 54–58.
Orlikowski, W. J., & Scott, S. V. (2008). 10 sociomateriality: challenging Waller, M. A., & Fawcett, S. E. (2013). Data science, predictive analytics,
the separation of technology, work and organization. The Academy and big data: a revolution that will transform supply chain design
of Management Annals, 2, 433–474. and management. Journal of Business Logistics, 34, 77–84.
Pantelis, K. and Aija, L., (2013, October). Understanding the value of Wamba, S. F., Akter, S., Edwards, A., Chopin, G., & Gnanzou, D. (2015).
(big) data. In Big Data, 2013 IEEE International Conference on (pp. How ‘big data’can make big impact: findings from a systematic
38–42). IEEE. review and a longitudinal case study. International Journal of
Piatetsky, G., (2014). Big data market to reach $50 billion by 2018. Production Economics, 165, 234–246.
Wikibon. Available at: http://www.kdnuggets.com/2014/02/ White, M. (2012). Digital workplaces vision and reality. Business
wikibon-big-data-market-to-reach-50-billion-by-2018.html Information Review, 29, 205–214.
(Accessed 2nd of March, 2016). Williamson, O. E. (1979). Transaction-cost economics: the governance of
Porter, M. E., & Millar, V. E. (1985). How information gives you com- contractual relations. Journal of Law and Economics, 22, 233–261.
petitive advantage. In Harvard Business Review, 63, 149–160. Williamson, O. E. (1981). The economics of organization: the transaction
Reprint: Service. cost approach. American Journal of Sociology, 87, 548–577.
Williamson, O. E. (2000). the new institutional economics: taking stock, Wixom, B. H., Yen, B., & Relich, M. (2013). Maximizing value from
looking ahead. Journal of Economic Literature, 38, 595–613. business analytics. MIS Quarterly Executive, 12, 111–123.
Wixom, B. H., & Todd, P. A. (2005). A theoretical integration of user Zeng, D., & Lusch, R. (2013). Big data analytics: perspective shifting
satisfaction and technology acceptance. Information Systems from transactions to ecosystems. IEEE Intelligent Systems, 28, 2–5.
Research, 16, 85–102. Zhao, D. (2013). Frontiers of big data business analytics: patterns and
cases in online marketing. Big Data and Business Analytics, p. 43.

1 Akter-Wamba2016 - Article - BigData1 AnalyticsInE-commerceAS FR

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

1 Akter-Wamba2016 - Article - BigData1 AnalyticsInE-commerceAS FR

Transféré par

Droits d'auteur :

Formats disponibles

Abonnez-vous à DeepL Pro pour modifier ce document.

Visitez www.DeepL.com/Pro pour en savoir plus.

Marchés électroniques (2016)

L'analyse des grandes données dans le commerce électronique :

Mots clés Analyse des données importantes . Commerce

Classification JEL M15 . M310

Ces dernières années, on a assisté à une explosion de

L'argument selon lequel les différentes capacités

Définir l'analyse des données importantes

Les entreprises de commerce électronique sont l'un des

Les grandes données et leurs

Le paysage du commerce électronique d'aujourd'hui

possibilités d'amélioration des produits), qui sont motivés par des

satisfaction supérieure des clients et des systèmes de

Le mot "variété" indique que les grandes données

aux "cygnes noirs" au sein des organisations, et d'autres types de risques

Un autre attribut essentiel des grandes données concerne

Types de données importantes utilisées dans

Le commerce électronique désigne les transactions en

Données relatives aux transactions ou aux activités

Les données relatives aux transactions ou à l'activité

Tableau 5Types de données importantes

la simulation de nouveaux produits mis en rayon afin de

Les données relatives aux clics proviennent du web et des

Les données vidéo sont des données en direct qui

Un autre type de données rattaché à la grande famille des

Le défi ultime de la BDA est de générer de la valeur

La première application des grandes données pour les

Service à la clientèle temps réel en combinant les données de transaction avec

Visibilité de la chaîne d'approvisionnement

Lorsque les clients passent une commande sur une

Sécurité et détection de la fraude

Les pertes liées à la fraude s'élèvent en moyenne à 9 000

Discussion et futur agenda de recherche Le marketing au sein des entreprises de commerce

personnes peuvent se rassembler pour créer de la valeur

Agarwal, R., & Dhar, V. (2014). Éditorial-grandes données, science

ager’s guide. Reading: Addison-Wesley Professional.

Vous aimerez peut-être aussi