Les big datas sont partout… Mais comment les utilise-t-on ? Cas concret avec l’exemple de la Fnac qui a exposé sa méthode lors du Salon des Data à Paris. Une solution parmi d’autres à l’heure où les objets connectés compliquent la reconnaissance du client.
SUR LE MÊME SUJET
Géolocalisation : les mouchards numériques envahissent les magasins
Les 3 choses à savoir sur la géolocalisation « in store »
La NSA fournit la géolocalisation des portables pour la frappe des drones
Foursquare, pionnier de la géolocalisation menacé
NEWSLETTER
Suivez toute l’actualité :
Industrie & Services
OK
ABONNEZ-VOUS À PARTIR DE 1€
L’analyse prédictive, plus perspicace que le flair d’un commerçant? La plupart des grands distributeurs leur font en tout cas confiance pour tirer de leurs « grandes données » de quoi augmenter leurs ventes. Au point que les « big datas » ont désormais leur salon, inauguré ce 10 mars par la ministre chargée du Numérique, Axelle Lemaire. Exemple concret de leur utilisation avec la Fnac qui a engagé un ancien mathématicien du CNRS pour faire parler ses chiffres.
Depuis l’été 2014, Tinyclues (littéralement « petits indices »), société spécialisée dans l’analyse prédictive créé en 2009 par David Bessis, teste ses formules sur la base des 3,5 millions d’adhérents revendiqués par le groupe de distribution. Avec Camille Berland, responsable de la relation clientèle à la Fnac, il a expliqué les principes de leur collaboration lors d’une conférence destinée principalement à des professionnels.
« Moins de désabonnement »
Le but en l’espèce : envoyer aux adhérents des courriels personnalisés plus susceptibles que des messages basiques d’être ouverts puis éventuellement de déboucher sur un achat. « On fatigue moins la base, il y a moins de désabonnement », note le mathématicien.
Comme la plupart des entreprises spécialisées dans l’analyse de données travaillant avec les commerçants, Tinyclues croise trois type de sources: les données provenant des clients (tickets de caisse lors des achats en magasin, parcours lors des visites du site en ligne etc) le catalogue des produits disponibles et les données socio-démographiques. Mais, au lieu de classer les clients selon des catégories « classiques », ses algorithmes prédictifs visent à affiner la « segmentation ».
Objectif: dépasser les catégories telles que « la ménagère de moins de cinquante ans, des catégories socio-démographiques souvent un peu arbitraire » que le spécialiste ne juge « pas complètement fausses mais on peut aller plus loin, une personne ne se réduit pas à son sexe ou son âge. »
Les femmes regardent Star Wars…
Dans un cas concret – la mise en vente d’un coffret de films de la trilogie Star Wars – les clients potentiellement les plus attirés par ce produit ont été déterminés par recoupements statistiques. Un score leur est attribué. Ici, les « 10% des meilleurs clients représentent 90% des achats ». Autrement dit, 9 acheteurs sur 10 de films Star Wars représentent 10% de la base totale. Sociologiquement, il s’agit surtout d’hommes, mais pas seulement, « il y avait aussi quelques femmes », précise David Bessis. Ces mêmes acheteurs sont susceptibles d’acheter d’autres produits de même catégories.
Les algorithmes ont permis d’inclure dans la liste des personnes auxquelles, même un spécialiste du marketing n’aurait peut-être pas pensé. En l’occurrence, la méthode a, selon Camille Berland appris à ses équipes de la Fnac à opérer un meilleur « ciblage par rapport à la temporalité. A Noël ou pendant les soldes, nous ne cibleront pas tout à fait les mêmes personnes car ce ne sont pas les mêmes personnes qui sont appréhendées. »
Surtout, l’opération permet un gain de productivité car quasiment tout le procédé est automatisé. Du repérage de la catégorie à partir du comportement des clients jusqu’à l’envoi de la campagne publicitaire ciblée. Pour autant, les équipes travaillant sur ces questions n’ont pour l’instant pas été réduites affirme Camille Berland.
Quels autres gains pour l’entreprise? Pour la Fnac, la procédé est considéré comme rentable puisque selon Camille Berland: « la donnée est la clé de voûte des mécaniques relationnelles qu’on orchestre aujourd’hui ». En pratique, explique-t-elle après les expérimentations réalisée, il apparaît que ce ciblage a permis d’augmenter les recettes de 30%, « que nous apportent les cibles non identifiées auparavant », précise-t-elle. Il s’agit d’une moyenne, certains tests ayant révélés de « bonnes surprises », d’autre moins.
Multiples objets connectés
Au delà de cet exemple, l’une des principales difficultés actuellement rencontrées par les professionnels de l’analyse de données consiste à agréger les informations provenant de divers supports : ordinateur fixe, tablette, smartphone et désormais montre voire fourchette ou tout autre objet connecté contribuent en effet tous – à des degrés divers – à renseigner l’acheteur potentiel sur un produit qu’il convoite ou qu’il est susceptible de désirer. Sans compter qu’en début ou bout de course, ce client peut vouloir visiter un magasin afin d’obtenir plus de précisions ou régler son achat. Seulement comment savoir si c’est le même qui s’est renseigné sur les prix des appareils photos, a pris des modèles en main dans une boutique puis a tenté d’en commander un sur sa tablette?
Pour le tracer, le reconnaître et lui proposer des produits complémentaires susceptibles de lui plaire, il faut bien sûr compter sur les renseignements qu’il aura bien voulu donner. Son nom, son adresse mail, son numéro de téléphone parfois son adresse postale ou même son numéro de carte bleue… Les cartes de fidélité – virtuelles ou non – sont de plus en plus nombreuses à les demander. Les acheteurs les confiants avec plus ou moins de bonnes grâces…
Deviner qui est le client
Désormais, les systèmes d’analyse des données reposant sur des combinaisons d’algorithmes vont si loin que même sans avoir fourni tous ces renseignements, il est possible de « reconnaitre » un client potentiel « avec 70 voire 80% de chances que ce soit lui » explique à la Tribune Antoine Leven, responsable de comptes clients chez RichRelevance, un autre spécialiste de l’analyse de données qui travaille entre autres avec les Galeries Lafayette.
« Au commerçant de déterminer s’il prend le risque ou pas de proposer un produit complémentaire à ce client », précise Matthieu Chouard, directeur de RichRelevance en Europe et ancien de SAP. Même si dans 3 cas sur 10, il tombera à côté. Dans tous les cas « les données sont anonymes », assurent-ils. Une affirmation quasi-systématique du côté des pro de la donnée qui renvoient aux enseignes la responsabilité de leur usage.
(SOURCE LA TRIBUNE)