Réceptive à cette demande Keyrus – la société qui m’emploie – a proposé dans le cadre de la chaire signée avec Polytechnique de me frotter à ce sujet au Data Science Starter Program proposé à Polytechnique au sein d’un bouquet de formations continues.

Ce programme couvre toutes les compétences nécessaires à l’épanouissement d’un datascientist en entreprise. Très en amont, l’étude de la donnée pour la rendre « processable » par une architecture abordable en terme de coût, les différentes méthodes disponibles pour transformer cette donnée en information pour des applications business comme la prédiction – ce qui est par ailleurs le cas le plus étudié -, la compréhension des architectures techniques et applicatives pour anticiper les coûts « computationnels » à des fins de data processing, tout cela reposant évidemment sur des théories mathématiques et statistiques avancées.

Reprendre une formation certifiante après 15 années d’expérience n’est pas chose facile, d’abord parce qu’elle se déroule en complément d’une semaine de travail mais surtout parce qu’on se rend très vite compte que nous perdons la capacité à rester concentrés 8 heures derrière un bureau. Les concepts mathématiques et statistiques nous renvoient à nos études mais les expressions sont abordées de façon très pratiques, pour expliquer le fonctionnement de certains algorithmes. La palette des savoirs abordés requiert une gymnastique intellectuelle digne des meilleures joutes de nos longues soirées d’étudiants et on comprend très vite que le datascientist tel qu’il est défini par la littérature est un mythe. D’ailleurs la définition fournie par l’enseignement s’interprète différemment d’un exposé à l’autre.

Une définition semble toutefois remporter l’adhésion des différentes disciplines :

– le data designer : possédant une ou plusieurs compétences métiers permettant de trouver rapidement dans le traitement de la data des applications business,

– le data scientist manipulant les disciplines sur lesquelles reposent l’algorithmie comme la statistique,

– le data ingénieur dont les compétences sont plutôt orientées vers les architectures et les aspects computationnels du métier.

On comprend alors très vite qu’on n’atteindra jamais ce graal absolu, ce stade de l’évolution business suprême du « datascientist » mais que viser avec tout autant d’ambition le titre de datadesigner revêt un challenge nettement suffisant.

Pour « converger » rapidement comme on dit dans le milieu, il faut savoir quoi chercher, ou chercher, quel type d’information utiliser, comment la simplifier, comment la capter, etc. et le data designer est la pour ça.

Comprenant et manipulant une palette importante d’outils de datascience, il est capable en amont des projets de définir un cahier des charges en collaboration avec le métier ainsi que les indicateurs de performance, de vérifier la faisabilité du projet, de le dimensionner et d’en estimer le cout et le planning en mode proof of value. Sa palette est l’utilisation de R ou de python et les différents algorithmes de ces solutions pour jouer avec les échantillons de données mis à sa disposition par le métier. Sa compréhension de la donnée lui permettra un pré-processing efficace mais aussi la capacité de définir rapidement ce que l’on cherche voire ce qu’on peut attendre de ce type de démarche. Le pré-processing consiste au nettoyage et à la simplification de la donnée en gardant les bonnes variables à étudier. Il peut aller jusqu’à définir les algorithmes à appliquer pour répondre aux attentes du projet.

Dans le cadre de l’optimisation de ce POV voire dans celui de son industrialisation, les compétences du data ingénieur et du data scientist sont nécessaires.

J’ajouterai pour conclure que ce métier est un travail d’équipe où l’agilité est nécessaire, où l’échec et la persévérance sont des vertus plus nécessaires que jamais. Les perspectives que ces nouvelles compétences apportent tant à l’entreprise qu’à ses process sont galvanisantes.

Alors si c’était à faire ou à refaire, je dirai plutôt deux fois qu’une; les entreprises ont le devoir d’amener leurs salariés vers ces nouveaux savoir faire et nombreuses sont celles qui comme Keyrus s’y sont précipitées comprenant l’enjeu. Le digital ne se conçoit déjà plus aujourd’hui sans la data.

Le marketing moderne sonne l’avènement de la pure corrélation. Viktor Mayer-Schönberger, professeur à l’Oxford internet Institute, et Kenneth Cukier, responsable des données pour The Economist estiment quant à eux dans leur ouvrage « Big Data : une révolution qui va transformer notre façon de vivre, de travailler et penser », que le Big Data permet de trouver des corrélations que nous n’avions pas vues, appelées aussi signaux faibles et que cette analyse est non seulement bien plus puissante que la causalité mais risque surtout de complètement la supplanter. Cette nouvelle compréhension de notre environnement révolutionne complètement nos acquis et nos certitudes.

Ils rappellent dans leur ouvrage qu’Oren Etzioni qui a travaillé sur l’indice de prix des billets d’avion mis en place pour Bing travel ne cherchait pas à analyser les raisons  de  l’évolution des prix des billets d’avion, autrement dit « pourquoi cela évolue » mais seulement comment prédire quand acheter c’est à dire prédire si le prix allait augmenter ou diminuer dans le futur.

Keyrus travaille sur ce type d’approche pour 20 minutes, de la même façon nous ne cherchons pas à comprendre pourquoi certains lecteurs ont une forte probabilité de consommer un contenu politique international après avoir lu un contenu fait-divers puis politique national, surtout s’ils sont arrivés sur le site depuis google news et que le temps moyen de lecture dépasse 3 minutes un jour de pluie, on voit bien que le pourquoi n’a aucun sens, nous cherchons simplement à prédire ses centres d’intérêt en fonction de la détection de ces paramètres afin de mieux l’orienter le site.

Dans le cadre de bing travel, l’important pour Oren n’était pas de connaître les facteurs qui président aux fluctuations de prix conformément aux modèles de la tarification algorithmique conventionnelle comme le nombre de sièges disponibles ou la saisonnalité, il voulait juste savoir à quel moment le billet d’avion était moins cher c’est à dire quand il fallait l’acheter. L’idée géniale a été de construire un nouvel algorithme se servant des résultats des algorithmes de tarification auxquels il ne pouvait accéder. Pour cela, Oren Etzioni aurait fait avaler plus de 200 milliards d’enregistrements de prix de vols à son algorithme. En 2012, son système était capable de faire une prévision correcte à 75 % du temps, faisant gagner en moyenne 50$ par billet acheté.

Cette double construction algorithmique – celle qui permet de construire le prix du billet et celle qui permet de la comprendre sans en connaître les facteurs – illustre très bien le phénomène des Big Data. « Le changement d’échelle a conduit à un changement d’état » insistent Mayer-Schönberger et Cukier. « Le changement quantitatif a entraîné un changement qualitatif ». La métaphore souvent utilisée par les conférenciers est celle de la photo et du cinéma. Lorsque nous sommes passés de la photo au cinéma en modifiant la quantité c’est à dire le nombre de prises de vues possibles à la seconde, nous avons changé l’essence de la photographie. Nous pouvions alors aller plus loin que constater une émotion, nous pouvions comprendre le processus ayant amené à l’émotion. Une autre parabole est celle du microscope. Nous avons pu constater que la glace fond ou que l’eau s’évapore par l’expérience, avec l’arrivée du microscope nous avons pu atteindre un nouveau niveau de compréhension en regardant la structure moléculaire se modifier.

Les Big Data se réfèrent à des choses qu’on peut faire à grande échelle et qui ne peuvent pas être faites à plus petites échelles, pour en extraire de nouvelles connaissances ou de nouvelles formes de valeurs, créer des innovations et de nouveaux services.

L’obsession des markéteurs pour la causalité est en passe d’être transformée par de simples corrélations, qui n’expliquent pas le pourquoi, mais montrent uniquement le quoi. Nous n’allons pas comprendre les domaines du comportement humain sur lesquels vont agir les Big Data mais nous allons savoir comment ils agissent et réagissent.

« Les corrélations ne peuvent pas nous dire précisément pourquoi quelque chose se passe, mais elles peuvent nous avertir du moment où cela se passe. ». Le markéteur pourra être informé du moment, de la fréquence, du nombre de fois où cet événement se produit et la probabilité pour que le même événement se reproduise lorsqu’il est soumis aux mêmes facteurs.

L’impact, c’est à dire le changement qu’induit la corrélation, relègue la causalité à quelque chose de beaucoup moins important. Cela fonctionne assez bien la plupart du temps, rappellent les auteurs. « Si l’étude de millions de dossiers médicaux montrent que les personnes atteintes d’un cancer voient leur maladie entrer en rémission s’ils prennent de l’aspirine et du jus d’orange par exemple, alors la cause exacte qui explique l’amélioration de leur santé est beaucoup moins importante que le fait qu’ils vivent » ; l’important est que le remède marche et non pourquoi il marche.

« La plupart de nos institutions ont été créées en vertu de la présomption que les décisions humaines sont fondées sur l’information qui est petite, exacte, et de nature causale. Mais la situation change lorsque les données sont énormes, peuvent être traitées rapidement, et tolèrent l’inexactitude. En outre, en raison de l’immensité des données, les décisions peuvent souvent être prises non plus par les humains, mais par des machines. ». L’informatique boursière ou celle du tourisme sont des applications reconnues de ces principes.

Pour les auteurs, les corrélations peuvent être trouvées de manière beaucoup plus rapide et moins coûteuse que les liens de causalité, ce qui explique qu’elles vont leur devenir préférables. Cela ne signifie pas que nous n’aurons plus besoin d’étude de causalités, mais bien souvent, la corrélation sera « assez bonne ».

Autant d’éléments qui annoncent transformer en profondeur notre rapport à l’information.

« À bien des égards, la façon dont nous contrôlons et gérons les données devra changer. Nous entrons dans un monde de prédictions basées sur des constantes qui pourraient ne pas être en mesure d’expliquer les raisons de nos décisions. » Demain, un médecin pourra décider d’une intervention médicale uniquement parce que les données le lui auront indiqué, on peut prendre l’exemple de la mastectomie préventive d’Angelina Jolie en 2013 par le professeur Picovski basée sur un diagnostique prédictif fruit d’une corrélation entre les résultats de son séquençage ADN et le décès de sa mère portant à plus de 80% le risque.

Le cas de Target illustre souvent cette nouvelle conception du marketing. Andrew Pole datascientist recruté en 2002 par Target a pu dans le cadre d’un groupe de travail « Big Data, big oppotunities » identifier et adresser le comportement des couples « futurs parents ».

Alors que l’enseigne vend tous les produits y compris par exemple la puériculture et les jouets, la plupart des futurs parents, clients de Target, ne modifient pas leurs comportements de consommation et vont acheter les produits dont ils ont besoin dans des enseignes spécialisées. L’objectif du groupe de travail a donc été d’être capable d’analyser suffisamment de données issues des programmes de fidélité afin de définir la probabilité qu’une femme soit enceinte. Les résultats sont presque effrayants.

L’algorithme imaginé par Andrew Pole permet d’identifier une femme enceinte dans son troisième mois de grossesse par la simple modification de ses habitudes de consommation. Le succès de l’enseigne repose ensuite sur la capacité des marketeurs à adresser des offres personnalisées pour inciter les couples à acheter aussi chez Target les jouets ou encore toute la puériculture.

Pour l’anecdote Target a été traduit en justice pour avoir adressé des offres marketing à un couple dont le comportement de consommation remplissait les critères de l’algorithme. Le couple, porteur de la carte de fidélité, après avoir frisé la séparation, a découvert que c’était leur fille,  adolescente et enceinte, qui avait influencé la constitution de leurs paniers.

Le business augmenté

De nombreux marchés prennent aujourd’hui des décisions basées sur la donnée où l’offre et la demande se rééquilibrent en temps réel bien plus rapidement que n’est capable de le comprendre l’être humain en analysant plus de paramètres que tous les modèles passés.

Amazon est un des cas les plus illustrés. Les applications mobiles ou le text mining permettent de collecter les prix de la concurrence afin d’ajuster en temps réel les prix proposés. Pas moins de 7 modèles de page produit différents tournent en temps réel sur le site afin de maintenir pour la plus large audience celui qui performe le mieux. L’élasticité des prix est testé en temps réel afin d’arrêter non pas le prix le plus fort mais celui qui permettra de réaliser la plus forte marge en intégrant les coûts de recrutement au calcul. Ainsi le prix d’un livre sera légèrement différent si vous êtes un consommateur acquis depuis google en référencement naturel ou via un blog affilié. Plus récemment amazon a annoncé son recul sur le front de la livraison gratuite pour tous, pourtant la livraison reste gratuite pour certains profils de consommateur. Ces informations concédées au marché pour asseoir l’avance prise ne sont certainement qu’une infime partie du modèle qui explique la réussite de cette entreprise.

La méthode pour mener à bien ce type de projet

BJ Fogg professeur à l’université de Stanford est à la tête d’un laboratoire appelé « Persuasive Technologies » et l’inventeur d’une méthodologie appelée « 8 steps design process for persuasive technologies » que je vous conseille d’appliquer.

L’erreur fréquente de ce type de projet est d’être trop ambitieux, de voir trop grand, de partir sur des projets de plusieurs centaines de milliers d’euros et de plusieurs mois de développement.

La première étape est donc celle d’identifier un petit projet dont les données et les décisions impliquent les personnes du groupe de travail. Autre élément important pour la réussite du projet est l’identification des KPIs et la mesure des résultats pour être capable de conclure à la réussite du projet.

Réduire le churn ou le taux d’attrition de mon activité est une question bien trop vague. Par contre identifier dans les logs qu’avant de quitter un opérateur téléphonique un utilisateur consulte fréquemment la page des conditions de résiliation, la page relative au déménagement ou consulte les sites des concurrents ou ceux des comparateurs revient à poser une question plus précise.

Comment détecter les comportements précités dits « à risque » afin de prévenir l’attrition ? La première étape qui consiste à formuler des questions précises permet donc de vérifier très vite la faisabilité d’un projet, d’écarter les impasses et d’ouvrir de nombreux champs d’investigation voire de découvrir des opportunités inattendues, la « sérendipité » étant le bénéfice fréquent de ce type de projet.

Parce que le but est de « persuader » quelqu’un d’accéder à un produit ou à un service et non « tout le monde », la seconde étape est celle d’identifier la bonne cible, le bon public pour tester le concept. Lorsqu’un brasseur décide de vendre une nouvelle recette de bière blanche, il est plus simple de convaincre des buveurs de bière d’en découvrir une nouvelle, plutôt que de tenter de convaincre toute une population. S’il est possible de le faire, interagir avec des buveurs de bière blanche est encore plus efficace.

La troisième étape est d’identifier la ou les raisons pour lesquelles le comportement attendu n’est pas possible. La réponse tourne en général autour de trois concepts : le manque de capacité, le manque de motivation ou l’inadéquation entre message et la cible.

L’étape 4 est de choisir le bon canal et le bon format. La réponse aux trois premières questions permet de définir rapidement la mise en scène du message la plus appropriée. Reprenant l’exemple des consommateurs de bière blanche pour leur proposer une nouvelle recette, l’utilisation d’un réseau social avec un message sponsorisé à destination des fans inscrits sur la page de la marque de bière blanche ou plus efficacement, un email à destination de la base des mêmes fans rapprochée de la base de clients du brasseur.

Ces quatre premières étapes ne sont pas séquencées. En effet en fonction des projets et des contraintes on peut commencer à travailler sur les données issues de l’analyse des réseaux sociaux, ce qui ferait débuter cette méthode par l’étape 4 et ce qui permettrait de déduire les trois précédentes.

La cinquième étape est de trouver des exemples qui font sens pour l’équipe projet. Souvent ces exemples s’inspirent de projets existants ce qui constitue l’étape 6, trouver sur internet des projets existants qui peuvent illustrer le bien fondé d’une démarche et en sécuriser le périmètre.

L’étape 7 est d’entrer rapidement en phase de test afin d’itérer avec les membres du groupe de travail et d’approfondir les tests validés. Enfin l’étape 8 est de capitaliser sur les succès pour étendre le champ d’investigation.

Les années 2000 ont vu arriver l’ère de l’Internet qui a bouleversé de nombreux secteurs comme jamais par le passé. À l’image de la publicité en son temps, les acteurs de la stratégie d’entreprise ont dû intégrer ces nouveaux paramètres pour reprogrammer le patrimoine génétique des marques. L’ère de l’Internet a vu la prise de pouvoir des consommateurs sur les marketeurs. Plus expert, connecté, en réseau, l’internaute devenu conso’acteur influence les offres, les prix et toutes les valeurs qui constituent le génome des marques. Certaines entreprises ont cédé aux diktats du sur-mesure et du crowdsourcing pour satisfaire ces nouveaux comportements de consommation où l’exclusivité et le  » persona market  » prennent le pas sur le mass-market. Livrés à ces nouveaux prédateurs, les marketeurs ont été dépossédés du pouvoir que leur avait octroyé l’ère « seguelaire » de la communication.

Quand on parle de Big Data on parle de ROI, de data, de marketing, de personnalisation, de churn, etc. alors concrètement où se situe la révolution ? la révolution réside dans l’agrégation des données de l’entreprise.

Les entreprises sortent d’une période où elles ont mis en œuvre des systèmes permettant de collecter de la donnée sur la plupart de leurs processus. Les métiers pensent en silo, avec des outils différents très orientés « maitrise d’ouvrage ».

Les projets big data et les réflexions qui en découlent poussent les systèmes à s’interconnecter afin d’organiser la collecte de l’information. Big data bouleversent les organisations, les décisions, les acquis. Il faut comprendre que jusqu’à présent, les administrateurs de bases de données ont modélisé des tables afin de structurer le stockage et l’interrogation des données pour des besoins métiers. Les développeurs ont imaginé des applications pour manipuler la donnée sur la base de process métiers exprimés par les maitrises d’ouvrage comme le CRM. Ces modélisations sont dépassées, impossibles à maintenir face aux nouveaux enjeux du marché comme le cross canal. La granularité de l’information obtenue par la webanalyse ou celle des réseaux sociaux est trop fine ! la problématique est la même pour les postulats marketings que sont les segmentations ou les ciblages par CSP, ces modèles sont dépassés car rendus obsolètes par la mise en relation des systèmes de données qui expriment des relations entre les données « imprévisibles ».

La révolution réside dans l’inversion d’une tendance fondamentale, on ne demande plus à la donnée de démontrer une hypothèse, une intuition ; on constate depuis la donnée des faits, on construit ainsi des outils bien plus efficaces. La donnée crée et pilote l’usage. Les applications big data vous permettent de démontrer que ce n’est pas 20% de vos clients ou de votre catalogue qui représentent 80% de votre chiffre d’affaires ! on peut découvrir que les grands pères n’achètent pas des Nintendo DS que pour leurs petits enfants mais aussi pour leurs femmes. Pour la segmentation, peut on par exemple répondre à la question : quel segment est plus il le plus rentable ? dans les modèles traditionnels s’est impossible, la big data rend possible ce type de modélisation.

La révolution est devenue possible par l’évolution technologique en particulier le stockage et le traitement de volumes de données très importants. Dans le milieu médical il est courant de dire que seules 5% des données recueillies sont utilisées pour prendre des décisions. Imaginez des applications qui permettent de prendre en compte les 95% restant ! Au-delà du stockage, les évolutions informatiques ont permis le traitement en parallèle de gros volumes de calcul, de processus métiers, afin d’interpréter les données obtenues. On parle des trois V : vélocité, volume et variété.

La révolution réside dans la capacité de Big Data à redonner le pouvoir au marketing  en le rendant plus agile, plus intelligent, pour un cout raisonnable. Le big data est au marketing ce que la méthode agile est à l’informatique. Il ne faut pas s’attaquer à de gros projets à plusieurs centaines de milliers ou – pour certaines entreprises – plusieurs millions d’euros qui finissent par paralyser l’usage, le cahier des charges étant trop ambitieux. La big data s’aborde par la réalisation de prototypes aussi appelés Proof of Concept (POC), un mode de pensée « test and learn » de type agile. Cela demande d’accepter de faire des erreurs, de ne pas persister sur certaines modélisations décevantes pour concentrer ses moyens sur les plus performantes. Nombreux sont les clients qui expriment l’intérêt de cette démarche en particulier le niveau de sérendipité qu’elle révèle. On découvre par l’interprétation de la donnée des usages insoupçonnés.

Mais comment ça marche ?

Agilité et plasticité qualifient au mieux les architectures big data. Sans se perdre dans le détail, les principes généraux sont de récupérer des données hétérogènes via des flux, de consolider la donnée, vérifier l’intégrité en corrigeant les imperfections ou les accidents. On applique ensuite à la donnée une phase de synthèse mathématique qui cartographie la donnée afin de créer des rapprochements et mettre en lumière des événements. Des probabilités permettent de définir le niveau d’opportunité de chaque événement afin d’écarter le bruit, c’est-à-dire les occurrences qui ont peu de probabilité de se reproduire ou dont la fréquence est inintéressante d’un point de vue métier.

Il faut retenir que la technologie doit être transparente dans ce type de projet, qu’un POC ne doit pas excéder un mois et 50K€ de budget. La complexité informatique ou mathématique est l’affaire du prestataire, seuls les scenarii business comptent.

Et pour quels usages ?

Les principaux usages de la big data sont l’hyperpersonnalisation des parcours clients ou l’optimisation du churn par la détection et l’adressage des comportements à risque. Les secteurs les plus consommateurs sont les télécommunications et le retail. Big data est au service de la compréhension des parcours riches, des nouveaux comportements crosscanaux comme le web to store. Bigdata permet par exemple d’adresser certaines problématiques auxquels sont confrontés les retailers dans les stratégies de drive to store. Les commerçants constatent une baisse du panier moyen ou des cycles de réassort plus longs, des applications permettent de proposer des promotions très ciblées valables sur une période courte pour déclencher l’acte d’achat ou du upselling ultraciblé au moment de la récupération des produits en boutiques. Ces outils permettent aussi de calculer à moyen et long terme l’impact des promotions sur la fidélisation ou sur l’offre, l’incidence des soldes flottantes sur la rentabilité, etc.

De nombreux business cases sont publiés sur internet comme le cas Priceminister ou la Big data a joué un rôle important dans la définition de leur stratégie d’emailing. Ils avaient d’un côté des offres de déstockage issue de la place de marché (fréquence élévée sur des périodes courtes) et leur base de données marketing de l’autre avec une segmentation traditionnelle. Ils possédaient la conviction que la segmentation – ou l’échantillonnage dans le cadre de prétests – était une source d’erreurs et diminuait l’efficacité des opérations d’emailing et un taux de churn élevé. Avec une approche big data ils ont pu affiner la connaissance de la base et extraient à chaque camapgne des cibles plus fines. Ils ont ainsi découvert que les grands-mères aiment jouer à pokémon et que les grands pères n’offrent pas les pokemon qu’à leurs petits enfants ! Cette approche a multiplé l’efficaicté des campagnes par 10 (cibles plus affinitaires) et a limité le désabonnement.

Une autre approche, Allocine avait une problématique que rneonctre aujourd’hui la plupart des media en ligne, un besoin de revalorisation de l’espace publicitaire et de l’audience commercialisée par la donnée vs la pagevue. Pour illustration, 25% de l’audience de Allociné est réalisée sur leurs applications mobiles pour moins de 5% du Chiffre d’Affaires. Grâce à une approche big data, avec plusieurs centaines de millions d’interactions analysées par jour au travers d’une approche cross media, ils peuvent aujourd’hui adresser des utilisateurs dont les centres d’intérêt sont qualifiés et non des pages-vues.  Grace à ces nouvelles approches, Allociné commercialise auprès des distributeurs de films des offres leur permettant de juger de l’opportunité commerciale d’un film par pays, région, département ou villes dès le jour de sa sortie pour ainsi gérer le nombre de copie.

Big data permet des approches cross data compilant des données issues des différents canaux utilisés par les consommateurs : tv, offline (retails analytics), web et mobile. Sa force vient aussi de la visualisation ou de la compréhension de l’information. Accéder à la donnée était par la passé assez difficile, les directions marketing sont des personnes douées d’intuition et non de maths ou de logiques. Pour reprendre un exemple cher à Bruno Walther (@brunowalther) de Captain Dash, si je vous dis que la dette de la France est de n milliards ça ne vous parle pas mais si je la représente dans un treemap, en la comparant à la valorisation boursière du CAC40 et qu’en les superposant vous vous rendez compte que la dette équivaut à 2 fois la valorisation du CAC 40, cela devient intelligible voire effrayant !

Avec Quels profils ? quelles organisations ?

Les datascientists sont des experts rares et couteux, experts en mathématiques et en informatique, expert métier, il sont des super consultants, agiles, curieux, capable de monter rapidement des prototypes afin de mettre en avant des bénéfices de telle ou telle modélisation. Il est à noter que les outils informatiques évoluent telle vite que les mathématiques et les lagages informatiques sont de moins en moins utiles pour mettre en oeuvre des POC.

Des petites start-up à taille humaine peuvent efficacement vous accompagner, Spikly et Keyrus ont accompagné avec succès de grandes entreprises dans des approches de ce type, pour plus de renseignement contactez moi

Selon Stéphane Grumbach directeur de recherche à l’INRIA, « C’est bien dans l’industrie du numérique qu’est né le Big Data. Aujourd’hui essentiellement utilisé dans le monde publicitaire, il trouve avec le temps de nouveaux champs d’application chez les commerçants, les services publics ou la presse. »

La « data » s’est conceptualisée chez les pureplayers au travers d’outils d’analyse et de tracking (xiti, Google Analytics, Omniture, etc.), de systèmes de paiement ou d’outils CRM. Ils ont appris à développer une culture de la donnée afin d’optimiser l’efficacité commerciale de leurs sites internet.

Cette culture s’est aussi développée chez les retailers « brick’n mortar » avec l’évolution technologique des systèmes de caisse, particulièrement avec l’arrrivée des programmes de fidélisation. L’accélération a été encore plus vive avec l’analyse comportementale rendue possible par l’interprétation de l’image vidéo par l’informatique. Pour plus d’information sur ce dernier point, je vous conseille la visite du site RetailNext.

Un peu comme le « big bang », la fusion de ces deux canaux agrège des tonnes de données au sein d’une collection appelée « Big Data ».

Concrêtement Big Data est un concept assez proche de la Business Intelligence (BI) permettant à un retailer de collecter, d’agréger, de requêter, de partager, d’analyser, de visualiser et de stocker des collections de données issues des différentes bases de son système d’information afin d’en tirer des enseignements pour améliorer l’efficacité commerciale des canaux de distribution; pour faire plus court, le CA :).

Ce concept démontre son efficacité au sein d’entreprises comme Tesco ou Morgan.

Selon le CEO de Tesco Sir Terry Leahy, Big Data a permis à son entreprise de se hisser au troisième rang mondial des distributeurs derrière walmart et carrefour. Les enseignements issus de l’organisation de ses données ont permis de régler au mieux les complémentarités entre les canaux de distribution pour assurer la réalisation de 7% de son CA en ligne avec une croissance à deux chiffres de l’activité digitale depuis plusieurs années. Cette culture de la donnée est née selon lui en 1995 d’un programme de fidélisation, certainement l’un des plus importants et des plus puissants du secteur (propos recueillis à la conférence e-nnovation par Liam Boogar).

Frédéric Wilhelm décrivait dans une interview accordée au JDN au titre évocateur, « Morgan se redresse grâce à son approche cross-canal », les bénéfices d’une telle démarche.

Quand le m-commerce ce sera mieux structuré, on verra apparaitre aussi de la donnée intéressante qui viendra encore enrichir ce modèle ! Issue de la géolocalisation, de la comparaison de prix en rayon, etc. Je suis convaincu que nous sommes à l’aube d’une ré-vo-lu-tion (je sais c’est galvaudé mais tellement excitant !). 

Quel profil ? Si vous misez sur ce nouvel eldorado il vous faudra être accompagné par un Data Analyst, ingénieur, mathématicien ou statisticien de formation, ce sont souvent des profils high level. Prouvant que ce secteur est en plein « boom » les recrutements se multiplient et les salaires s’envolent. Les meilleurs collaborateurs dans ce domaine s’arrachent à prix d’or ! Si vous souhaitez avoir une petite idée des salaires et des profils c’est sur le site de Decideo.

Quelles acteurs pour vous accompagner en France ? Business&Décision ou Keyrus (avec un coup de coeur pour cette seconde entreprise), au delà évidemment des acteurs traditionnels sur ce type de sujet comme l’incontournable IBM ou les « big five » pour les cabinets de conseil.