Analytics & projets Big Data : « A elles-seules, les données analytics ouvrent déjà de belles perspectives… ».

Analytics & projets Big Data : « A elles-seules, les données analytics ouvrent déjà de belles perspectives… ».

La baisse du coût de stockage de la donnée et les nouvelles technologies de type Cloud ont diminué le ticket d’entrée des projets Big Data. Beaucoup d’entreprises se lancent. Toutes avec un même objectif : avoir une connaissance pointue du client pour anticiper et répondre à ses besoins. Une étude du site Econsultancy (2015) montre que le Web Analytics est la première source de données utilisée pour optimiser l’expérience client.
Dans cet entretien, Marion Joffre, chef de produit et spécialiste des questions « Big Data » chez AT Internet, nous éclaire sur les enjeux, les outils, et surtout la place centrale de l’analytics dans l’écosystème data.

 

Pourquoi la donnée analytique est essentielle dans un projet Big Data ?

Les données analytics ont une part non négligeable à prendre dans ces projets. D’abord parce qu’elles apportent une vision détaillée de tout ce que peut réaliser un client sur un site ou une application. Ces informations de navigation sont exclusives, et embarquent des enseignements très riches. Elles fournissent une vision très précise, au visiteur près de son comportement de navigation, quel que soit le device qu’il utilise pour naviguer, le tout de manière exhaustive pour les outils comme le nôtre qui n’appliquent pas de sampling.

 

De plus, ces données sont fiables, car elles bénéficient de règles de calculs très spécifiques et de l’identification du visiteur grâce à ses identifiants de connexion. De fait, ces données sont donc constantes dans le temps. Il est ainsi aisé de reconstituer le parcours d’un utilisateur sur plusieurs devices sur une période donnée si ce dernier est identifié. Finalement, ces données sont celles qui vont permettre de répondre à la question : qu’on fait mes visiteurs avant d’acheter un de mes produits ? Quels sont les contenus ou les campagnes qui l’ont amené au bout du processus d’achat ? A quelle fréquence est-ce que mes visiteurs reviennent sur mon site jusqu’à l’achat d’un produit ?

 

Est-il possible de lancer un projet de Data Science avec uniquement des données analytics ?

Oui, l’utilisation des données analytics dans le cadre d’un projet Big Data ouvre déjà de belles perspectives d’analyses : réunification de parcours comme nous venons de le voir, profiling de visiteurs en fonction de leur engagement, création d’un modèle d’attribution personnalisé…
D’après une étude du site Econsultancy (2015), le Web Analytics est la première source de données utilisée pour optimiser l’expérience client : UX optimization graphic

Les résultats de cette étude montrent bien que les données analytics ont un rôle central à jouer dans la réunification des parcours et l’amélioration de l’expérience utilisateur.

 

Mais au-delà de ces données web, l’idée même de ce type de projet est bien de réunifier plusieurs outils entre eux pour en tirer des enseignements qu’on ne pourrait trouver autrement.
Je pense notamment à toutes les données de CRM, qui contiennent une mine d’information. Couplée aux données Analytics, elles permettent à la fois d’avoir une vue de tout ce qu’il s’est passé avant la conversion, mais aussi après ! Les perspectives qu’ouvrent ces données sont très vastes : scoring client / prospect, segmentation à l’individu près, meilleur ciblage et meilleure personnalisation.

 

Quelles sont les sources de données analytiques à exploiter en particulier ?

Si on s’engage dans une démarche de test & learn, on peut avancer pas à pas et valider les hypothèses au fur et à mesure. Cela permet de faire des ajustements rapides en cas de décalages. Dans un premier temps, l’analyse des visites par visiteur, avec le détail des sources, des supports utilisés et le type d’action réalisée au cours de chaque visite, permet de disposer d’une vue de départ déjà très riche en enseignements.
Lorsque les intuitions sont confirmées, alors on peut ensuite passer à un process d’industrialisation. Mais il est dangereux de vouloir aller trop vite. Une étude de Forrester indique que la plupart des entreprises n’utilisent que 12% des données qu’elles ont collectées. Il n’est donc pas nécessaire d’avoir pour ambition de tout récupérer dès le début. Mieux vaut y aller progressivement.

 

Au-delà du type de données à exploiter se pose également la question de leur format. On entend souvent parler de données brutes, mais en Analytics, la donnée brute est ni plus ni moins que le hit envoyé à chaque action auditée par la solution. A ce stade, les hits ne sont pas encore traités et les données ne sont pas enrichies. Il manque par exemple les informations de visite, de visiteur, mais aussi de device utilisé, de geolocalisation, etc. Ces données ne sont donc pas directement exploitables dans le cadre de projets Big data car elles manquent d’informations primordiales. Dans ce type de projet, la nécessité repose plutôt dans le fait d’avoir des données extrêmement détaillées, qui n’aient pas subit d’agrégation, afin de pouvoir les retraiter et y appliquer des règles de calculs spécifiques.

 

Avez-vous des exemples ou cas d’usages à nous livrer ?

Quel que soit le secteur, la nécessité de récréer des parcours clients se fait sentir. Que ce soit dans le secteur e-commerce, pour comprendre comment les navigateurs convertissent au travers d’analyses de navigation extrêmement poussées, ou bien dans le secteur des Médias pour comprendre les liens de corrélation entre différents types de contenus consommés.
De par son nombre important de visiteurs authentifiés, le secteur bancaire n’est pas en reste avec de belles perspectives de réunification de parcours à travers l’ensemble des canaux d’interactions possibles (agences, call center, application mobile, etc.). Il devient maintenant possible de savoir, pour 1 produit bancaire acheté, quelles ont été les interactions avant la conversion, via quel canal et à quelle fréquence, de manière à pouvoir adapter toujours mieux la pression marketing exercée sur les futurs prospects de ce même produit.

Je recommande d’ailleurs cette vidéo pour découvrir deux cas d’usages concrets dans le secteur de l’Assurance et des Médias :

 

Quelles sont les compétences indispensables de ceux qui exploitent la donnée ?

Si l’on parle du Data Scientist, en théorie c’est un profil très complet qui doit combiner plusieurs compétences très particulières. Outre la connaissance technique (essentielle !), un Data Scientist n’arrivera pas à faire correctement son métier s’il n’a pas une vue claire et précise des enjeux de son entreprise. Il doit aussi savoir communiquer largement en interne pour évangéliser et faire comprendre sa valeur ajoutée. Il doit arriver à trouver des formules simples pour expliquer des phénomènes parfois complexes. Sans ces compétences, l’exploitation de la donnée sera difficile et la rentabilité du projet beaucoup moins intéressante.

 

Cependant, il faut garder à l’esprit que ces nouveaux profils ne sont pas forcément issus du secteur digital, et ne connaissent pas en détail les règles de calculs propres à l’analytics, qui comme on le sait, peuvent être très nombreuses et spécifiques. Il ne faut donc pas hésiter à se faire accompagner dans une démarche qualité afin de valider l’exactitude des attributs qui sont utilisés dans les différentes requêtes.

 

En quoi un éditeur comme AT Internet peut accompagner les analystes / Data Scientist dans ce genre de projet ?

AT Internet propose depuis cet été une nouvelle API d’extraction de données (Data Flow) dédiées à l’alimentation de ce type de projet. Il s’agit d’une offre qui cumule à la fois une API puissance et flexible à une interface de configuration intuitive. Elle permet de créer et gérer de flux d’exports en totale autonomie. Les données peuvent être extraites du système selon une fréquence horaire, ce qui permet de récupérer les évènements en quasi temps réel.
Enfin, nos consultants sont également de très bons référents sur l’utilisation et l’interprétation de la donnée. Ils peuvent accompagner nos clients dans l’utilisation des données AT Internet et valider la bonne manipulation de l’information.

Merci Marion !

Ces articles pourraient aussi vous intéresser :

Envoyer un commentaire

Loading Facebook Comments ...