Vous êtes sur la page 1sur 8

PREMIÈRE PARTIE

 
Littéralement,
1. BIG DATA ces termes
ET RELATION signifient données massives méga données, grosses données ou encore données massives.
CLIENT
Ils sont1.1DÉFINITION
souvent caractérisés par 3V: le volume extrême de données, la grande variété de types de données et la vitesse à
1.1.1 BIG DATA
laquelle les données doivent être traitées. Bien que les données volumineuses ne correspondent pas à un volume
spécifique de données, le terme est souvent utilisé pour décrire des téraoctets, des pétaoctets et même des exaoctets de
données capturées au fil du temps.
Nous pouvons définir le Big Data avec ses trois « V's » : (Michael Schroeck et al, 2012)
Volume :
La quantité de données s'exprime généralement en « Téraoctets 1 » ou en « Petaoctets2 » car la masse de données est
énorme. Pour mieux comprendre pourquoi, il faut savoir que depuis 2012 nous créons en moyenne deux « exaoctets 3 » de
données par jour. Chaque seconde nous produisons un flux de données plus important que la totalité des données stockées
sur la toile depuis les vingt dernières années. Ces données ne sont pas présentent seulement en ligne, une entreprise
comme Wal-Mart recueille en moyenne deux pétaoctets de données sur ses clients chaque heure (Harvard Business Review,
2012). Cela représente environ 167 fois la totalité des informations contenues dans tous les livres de la bibliothèque du
Congrès Américain. (Talend, Les quatre piliers clés d'une solution de gestion des Big Data) Ces données proviennent des
millions de transactions effectuées sur les différents points de vente.
Cependant ces termes technologiques n'expriment souvent rien de concret pour les organisations, certaines d'entre elles
préfèrent exprimer la quantité de données en temps. Par exemple dans les entreprises à des fins d'audit il est
généralement demandé aux employés de garder leurs données des trois ou quatre dernières années, et non pas de garder
en mémoire un téraoctet de données.
Cette explosion du nombre de données disponibles s'explique par le fait qu'aujourd'hui nous ne sommes pas restreints par
la capacité de stockage et par le fait qu'un simple achat génère des dizaines de données différentes. Un achat il y a
quelques années générait des données relatives à la référence du produit, son prix et à la transaction (date d'achat et
montant total). Aujourd'hui pour le
1 Unité de mesure valant 1012 octets
2 Unité de mesure valant 1015 octets
3 Unité de mesure valant 1018 octets
Même produit des données sont recueillies sur le profil du client, l'historique d'achat du client, son parcours en ligne avant
l'achat, les commentaires sur les réseaux sociaux sur le produit acheté, les caractéristiques du produit, les données de
géolocalisation de l'achat. (Hamid Nach, 2013).
Vélocité.

Nous parlons ici de la vitesse de la création de données, pour de nombreuses entreprises cette rapidité est plus importante que le volume
d'informations disponibles. Certaines des informations disponibles n'ont d'intérêt que si elles sont analysées en temps réel. Cela permet
de donner un avantage compétitif à une entreprise vis-à-vis de ses concurrents. Cette notion de vélocité n'est pas nouvelle, nous la
connaissons depuis plusieurs années dans son application la plus répandue, les recommandations d'achat sur des sites internet
marchands.
En 2014, des chercheurs du MIT ont utilisé cette notion de vélocité pour estimer le nombre de clients des magasins « Macy », grâce au
nombre de smartphones connectés présent sur le parking. Ceci a permis de faire une estimation du nombre de ventes réalisées et de le
transmettre aux analystes de Wall Street avant la fin de la journée et l'analyse de ses ventes par la chaine de magasins. 
Variété.

Depuis l'apparition des outils informatiques, les entreprises sont capables d'analyser manuellement les informations dont elles disposent.
L'informatique « ordinaire » le permet grâce à la création de données structurées. Ces données sont généralement des nombres de
clients, volumes de ventes, ou un chiffre d'affaires. Avec le Big Data une nouvelle génération de donnée a fait son apparition, les données
non structurées qui contiennent aussi images, des vidéos et des sons. Elles sont créées par notre utilisation des nouvelles technologies,
les smartphones, les réseaux sociaux, l'internet des objets, mais aussi par les voitures, les moteurs d'avions et même le langage humain.
Toutes ces sources amènent à une masse de données complètement différentes et très complexes à analyser sans les outils Big Data.
L'enjeu est de pouvoir croiser ces informations de sources interne et externe à l'entreprise dans le but d'en tirer la substantifique moelle.
L'exemple de Food Genius, une start-up qui révolutionne l'industrie de la restauration, propose une solution Big Data qui permet de
croiser les données internes des restaurants avec des données récoltées sur internet. L'objectif étant de proposer aux restaurants un
menu approprié à la population présente dans leur zone de chalandise.
 L
es trois V de Big Data
 1.1.2 Gestion de la relation client

 
En anglais, CRM signifie « Customer Relationship Management ». La gestion de la relation client englobe les outils et les technologies qui ont pour but
d'enregistrer, classer et analyser les informations que l'entreprise possède sur ses clients et prospects. L'objectif étant de pouvoir gagner de nouveaux
clients tout en fidélisant les autres grâce à un service de meilleure qualité (Jean-Louis Tomas, 2002).

Ce nouveau comportement s'explique par :


- Un besoin de dialogue sur le produit
- Un besoin d'humanisation des relations entre client et marque
- Un besoin de personnalisation de la relation
Ces besoins se traduisent par deux grands changements :
- Des campagnes marketing plus personnalisées (Prospect et clients)
- Une expérience client à développer
La relation client est en pleine révolution, il est nécessaire pour les entreprises de comprendre les nouveaux enjeux de celle-ci afin de rester compétitive.
Avec les nouvelles technologies, le client dispose d'une masse d'informations lui permettant de prendre le pouvoir sur les entreprises. Aujourd'hui c'est le
client qui décide quand et comment il entre en contact avec l'entreprise. Selon une étude, 90% des clients interrogés disent qu'ils sont prêts à changer de
marque si le service n'est pas à la hauteur de leurs attentes. (Philippe Collin, 2014)
1.2 Big data un outil d’amélioration de la relation client
Les entreprises ont toujours compté sur ce que leurs clients leur disaient pour améliorer leurs services et leurs produits. Maintenant, les entreprises n'ont
pas besoin d'attendre que leurs clients leur parlent directement. L'utilisation de Big Data peut aider à savoir ce que veulent vos clients avant même qu'ils
sachent ce qu'ils veulent. Et ce n'est pas suffisant de simplement savoir ce dont vos clients ont besoin maintenant. Vous devez également savoir ce dont ils
auront besoin dans le futur.
Aujourd'hui nous sommes dans une époque où la prise de décision est en plein changement, les décideurs ne sont plus les seuls à bord. Le Big Data y est
pour beaucoup, l'analyse des données permet une meilleure vision du futur et une meilleure compréhension de l'environnement de l'entreprise. Il est même
possible de dire que la prise de décision est devenue un objectif au sein de l'entreprise. Ces changements sont particulièrement présents dans la relation
client. Comprendre comment l'activité de l'entreprise interagie avec les clients et la construction d'une offre pertinente est un objectif de l'entreprise. 
Les données volumineuses peuvent aider les entreprises à comprendre comment les clients choisissent de s'engager, qui ils sont et ce qu'ils veulent. Un
problème se pose lorsqu'il y a tellement de données qu'il devient difficile à gérer. Les experts en données peuvent encourager l'utilisation de la collecte, de
la conservation et de l'utilisation des données. Ainsi, la question est, comment une entreprise peut-elle utiliser le big data pour mieux fournir des services et
des solutions à ses clients?
 
1.2.1 Les trois grandes catégories d’outil big data
1.2.1.1  Business Intelligence 
Egalement appelé informatique décisionnelle, elle regroupe les outils informatiques qui assistent la prise de décision. L'objectif est de consolider
de manière pertinente les informations que possède l'entreprise et de les synthétiser dans des rapports et dans des tableaux de bord
analytiques.
Cette méthode apparue dans les années soixante-dix et à longtemps été réservé aux ingénieurs, dû au fait de la difficulté d'émettre des requêtes
précises sur les bases de données disponibles à cette époque. Cependant l'analyse BI a largement évolué et s'est démocratisé dans la plupart
des grandes entreprises. Depuis les années 2000, ces analyses sont accessibles aux responsables opérationnels qui les utilisent tous les jours
comme aide à la prise de décision.
La genèse de ces analyses se trouve dans des besoins de consolidation comptable. Mais au fur et à mesure de l'évolution de la technologie et
voyant que les résultats étaient à la hauteur des attentes, les entreprises ont étendu ces analyses beaucoup d'autres domaines stratégiques des
organisations. C'est ainsi que dans nombre d'entreprise actuelles les analyses BI sont utilisés dans la gestion de la relation client jusqu'à l'analyse
de la chaine logistique.
Le point négatif en ce qui concerne ces analyses, est que les requêtes ne sont pas toujours les mêmes et que les besoins en bande passante peut
varier du simple au triple en fonction de la quantité de demandes. Donc les clients doivent toujours viser le panier supérieur pour être sûr de
pouvoir faire autant d'analyses possibles. Cela entraine des coûts fixes importants pour les entreprises. Voilà pourquoi les éditeurs optent de plus
en plus pour des offres en mode SaaS, qui leur permettent un paiement à l'utilisation et une bande passante illimité.
1.2.1.2 Analyse prédictive 
Ce type d'analyse découle des analyses BI en y ajoutant la notion d'historique. En croisant les informations actuelles avec les informations
historiques ces outils permettent de prévoir l'évolution grâce à des courbes de projections. Cette méthode appliquée à la gestion de la relation
client permet de définir des profils clients à fort potentiels ainsi qu'à prévoir quels sont les clients qui ont une forte chance de changer de
fournisseur. L'objectif est toujours l'aide à la prise de décision. Dans les entreprises qui ont intégrées les analyses prédictives à leur processus de
décision, des modèles de prise de décision sont créés à partir du résultat de ces analyses.
Démonstration d'un flux d'information d'une application d'analyse de sentiments
L'analyse prédictive possède une limite à son implantation dans les organisations, en effet les formations de Data Scientists sont rares et les
compétences nécessaires à la compréhension des problématiques complexes nécessitent une expérience longue dans l'organisation. Voilà pourquoi les
entreprises doivent investir dans la formation tout en profitant de la compétence de certains organismes extérieurs.
L'analyse prédictive n'est pas seulement destinée aux entreprises. L'exemple des campagnes électorales du président américain Barack Obama en est la
preuve. Lors de sa deuxième campagne électorale, une équipe de 80 personnes était chargée de faire des analyses prédictives basées sur des données
en ligne. (Maryse Gros, 2014) L'utilisation d'analyses prédictives a permis aux équipes de récolter une somme record de fond sur internet. En effet
l'amélioration de la fréquence des sollicitations et de leur timing a permis d'augmenter les contributions. De plus cela leur a permis l'identification des
électeurs indécis et donc d'accroitre leurs interactions avec eux afin de les convaincre. Finalement le nombre de votes en faveur du candidat a augmenté
et il a été élu. (Caroline Tailleferd, 2013)
1.2.1.3 Les analyses prescriptive
Les analyses prescriptives sont le prolongement des deux autres principaux types d'analyses. En allant plus loin qu'une simple prédiction, ces analyses
permettent de faire des recommandations ciblées. En effet quand l'analyse prédictive émet des hypothèses sur le déroulement du futur, l'analyse
prescriptive émet des hypothèses de solutions à mettre en œuvre afin de gérer la situation à venir. Dans le domaine de la gestion de la relation client,
ces analyses sont stratégiques pour les entreprises qui les utilisent. En effet elles permettent de donner des recommandations pour chaque typologie de
client en temps réel avec le canal d'information le plus pertinent. ( Ibm.com, 2014, Analyse predictive)
Par exemple ces outils sont beaucoup utilisés dans le sport automobile. Selon le directeur général de McLaren Appllied Technologies, Geoff McGrath les
écuries de Formule1 basent leur prise de décision stratégique en course sur des modèles prescriptifs. L'analyse en temps réel de milliers de données
provenant des capteurs de la voiture (usure des pneumatiques), combiné aux données des courses précédentes et de l'environnement (accident, météo)
permet la mise en place de stratégies de courses potentielles en temps réel (La Rédaction Business Analytics Info, 2012). Récemment au Grand Prix de
Monaco, l'équipe Mercedes a fait une erreur de stratégie, ce qui a ruiné la course de son pilote numéro un, Lewis Hamilton. A la fin de la course, Toto
Wolff, le directeur de l'écurie a expliqué que les décisions étaient prises en temps réel et qu'ils n'avaient que quelques secondes pour ajuster les
stratégies de courses. Cependant une phrase retient notre attention, il explique que dans cette situation particulière l'algorithme était faux et que donc
l'analyse a été un échec. Cela démontre que les outils Big Data ne sont pas infaillibles et que les hommes doivent les utiliser comme aide à la prise de
décision. Il reste dangereux de se baser uniquement sur ça pour prendre des décisions. Le libre arbitre doit garder une place importante dans la prise de
décision. (Laurence Edmondson, 2015)
1.2.2 Les apports de big data dans la relation client
Attirer de nouveaux clients
Woody Allen a dit « Les relations amoureuses sont comme les requins, elles doivent être en perpétuel mouvement pour ne pas mourir ». Les entreprises
sont dans le même cas. Elles doivent se réinventer perpétuellement et capter des nouveaux clients. Le Big Data fournit des bénéfices substantiels dans
le processus d'acquisition de nouveaux clients, en transformant les prospects en client. En effet les outils fournis permettent d'aller plus loin que les
outils marketing traditionnel. Une analyse des données structurées et non structurés est une avancée majeure qui permet une analyse plus fine des
données et par conséquent la définition d'une cible client très précise. Les avantages du Big Data dans le processus d'acquisition de nouveaux clients
peuvent être classés en quatre catégories : 
1. Connaître les profils des clients les plus rentables
La meilleure manière de capter de nouveaux clients à forte valeur ajoutée est de cultiver des relations étroites avec les clients les plus rentables de
l'entreprise. Le Big Data permet de définir les clients avec le meilleur profil. Quels sont leurs besoins ? Quels sont leurs caractéristiques ? Sont-ils
influencés par les réseaux sociaux ? Une analyse « RFM 7 » permet de classer les clients selon trois critères, la date du dernier achat, la fréquence
d'interaction avec la marque et la valeur générée. Les clients avec le plus fort taux RFM sont ceux qui rapportent le plus d'argent à l'entreprise.
Comprendre précisément les clients à forte valeur ajoutée est le meilleur moyen pour l'entreprise d'en capter des nouveaux. En effet assimiler les
attributs de ses meilleurs clients est le meilleur moyen pour une entreprise de se concentrer sur des prospects avec les mêmes besoins.
2. Sélectionner les prospects à forte valeur ajouté
Tous les clients n'ont pas le même comportement d'achat, l'analyse de ces comportements permet de savoir quel sont les prospects à forte valeur
ajoutée. Les données disponibles sur les prospects sont énormes grâce aux informations disponibles sur les réseaux sociaux. Le croisement de ces
informations avec les bases de données disponible en interne dans les entreprises permet une analyse très fine. Grâce a ce croisement de données, les
entreprises peuvent être très sélectives dans leur sélection de prospects. La réallocation des ressources du marketing est stratégique, nous passons
d'une période ou le marketing de masse était une nécessité. Les coûts engendrés étaient énormes avec des taux de retour très bas. A une ère nouvelle
ou le marketing sélectif va permettre une efficience des campagnes marketing et des coûts.
3. Amélioration de la visibilité de marque :
Avant de devenir des clients, les consommateurs commencent par définir leurs besoins et chercher des produits ou services capables de les combler de
la meilleur des manières. Ce n'est qu'ensuite qu'ils entrent en contact avec les entreprises pour lancer le processus d'achat. Le Big Data permet aux
entreprises d'intégrer la période de recherche de produits et services des consommateurs dans la gestion de leurs relations client. Grâce aux
informations disponibles en ligne, une entreprise peut cibler un client qui a fait une recherche spécifique et lui proposer des services associés.
L'entreprise la plus performante dans ce domaine est certainement Netflix qui utilise le Big Data pour guider ses clients dans leur choix de film ou de
séries. En fonction des recherches et des films visionnés, les clients se voient proposer des films qui peuvent correspondre à leur profil.
4. Comparer la performance des campagnes marketing
Le département marketing est souvent considéré comme un centre de coûts dans les entreprises. En effet le coût des campagnes est élevé et le ROI 8 est
souvent fables. Voilà pourquoi savoir si les dépenses marketing sont pertinentes et essentielles pour les entreprises. Le Big Data permet de connaître la
performance des campagnes en temps réel. Grâce à cela les entreprises peuvent ajuster leurs campagnes quand elles jugent que les taux de retour ne
sont pas à la hauteur des attentes. De plus car aux analyses prescriptives elles peuvent croiser les données des campagnes à succès et des campagnes
avec de mauvais retours pour pouvoir déterminer ce qui a marché pour les actions futures.
 Fidélisation des clients
La perte de clients est un problème majeur des entreprises. De plus, un client mécontent peut à lui seul faire perdre d'autres clients à l'entreprise. Les
réseaux sociaux jouent un rôle important dans la transmission d'informations négatives sur la marque. Les entreprises doivent pouvoir définir quels sont
leurs clients à risque à travers une analyse de leurs sentiments et les classer et de leur faire des offres proactives.
Le Big Data permet d'avoir une vue à 360 degrés des clients, ainsi il est plus simple pour les entreprises de connaître plus en
profondeur leurs clients et de savoir à quel type d'offres ils sont réceptifs. Cette vue à 360 degrés permet d'être très réactif en cas de
clients à risque car une offre pertinente peut lui être envoyée.
Pour aller plus loin, les possibilités actuelles du Big Data permettent de croiser les informations de valeur client et de taux de risque
de départ à la concurrence. Ainsi les entreprises peuvent savoir si le client à risque vaux la peine d'être gardé ou s'il est préférable
de le laisser partir à la concurrence. En effet il est souhaitable de réallouer des ressources pour gagner des clients rentables plutôt
que de dépenser de l'argent pour conserver des clients à risque.
Les entreprises du secteur des télécoms sont très demandeuses de ces analyses, en effet un client mécontent va téléphoner souvent
au service client ou consulter la FAQ sur le site internet de l'entreprise. Le croisement de ces informations est une manne pour
l'entreprise qui lui donne une visibilité sur le nombre de ses clients à risque.
Personnalisation
L'ère du marketing de masse est révolue. Les consommateurs sont assaillis de messages publicitaires, aussi bien dans la vie
courante que par des canaux technologiques (Mails, SMS, Radio, Télévision). L'envoie de publicité massive n'a plus l'impact
escompté, les clients demandent plus d'attention et le marketing personnalisé est une parade à ce changement. Les entreprises qui
ne s'adapteront pas à ce changement s'exposent à des risques. En effet les clients à force de recevoir des messages publicitaires non
personnalisés seront enclins à quitter la marque et se tourner vers des entreprises qui s'intéressent plus à eux.
Nous savons tous qu'une interaction personnalisée permet à un client de rester fidèle. Quand nous allons dans une boutique ou le
vendeur se souvient de nous et de nos achats cela flatte notre égo et nous sommes plus réceptifs à ses propositions. Pour rien au
monde nous ne changerions de boutique.
La personnalisation des interactions est le prolongement naturel de l'utilisation du Big Data dans la gestion de la relation client.
Grâce aux informations récoltées (site internet, téléphone, mails, face à face, réseaux sociaux) et la vue à 360 degrés du client, il est
très simple de faire une micro-segmentation de ses clients et donc de connaître précisément les besoins de chaque client. De cette
manière il est possible d'interagir avec le client en fonction de ses précédents achats, de ses gouts mais aussi en fonction de son
profil récolté sur les réseaux sociaux.
En conclusion nous pouvons dire que le Big Data aide les entreprises à mieux vendre. Grâce aux analyses de données elles peuvent
gagner de nouveaux clients, augmenter la profitabilité de chaque client et de conserver les clients les plus rentables. Pour être
certaine d'atteindre ces objectifs, les entreprises doivent s'assurer d'une personnalisation des interactions avec leurs clients.
 

Vous aimerez peut-être aussi