©2017Reproduction interdite
L’impact du Big Data dans la vente
Pierre-Nicolas Schwab
Cefora, Journée du Vendeur18/05/2017
• Fondateur agence étude de marché IntoTheMinds
– Études qualitatives
– Etudes quantitatives (exploitation de données massives)
– Combinaison des 2 techniques
• MBA stratégie, DEA marketing, Docteur en Sciences économiques
• Tweets : @pnschwab ou @intotheminds
• Blog : intotheminds.com/blog
Qui suis-je ? Pierre-Nicolas Schwab
2
• Expliquer en termes pragmatiques ce qu’est le « BigData » (démystifier)
• Illustrer au maximum avec des exemples concrets
• Travailler avec vous sur ce qui peut être fait dans votre organisation pour utiliser les techniques Big Data à des fins commerciales
(Mes) objectifs pour cet atelier
3
• Attention : le but n'est pas de faire de vous des spécialistes du Big Data
(Mes) objectifs pour cet atelier
4
Ce que vous devriez retirer de cet atelier :
• Compréhension de la finalité des traitements « Big Data »
• Limite et opportunités business des traitements « Big Data » appliqués à la vente
• Opportunités d’utilisation des « Big Data » dans votre propre organisation
(Vos) objectifs pour cet atelier
5
• Les slides sont à disposition sur slideshare(slideshare.net/intotheminds)
• Approfondissez vos connaissances en lisant nos articles sur le blog d’IntoTheMinds (en 3 langues) : www.intotheminds.com/blog
• Connectez-vous maintenant sur Linkedin avec moi pour interagir après la formation
Infos pratiques avant de commencer
6
1. Explications générales sur le BigData : 25’
2. Cas concrets d’application business : 20’
3. (Travail sur vos cas d’usage propres : 45’)
Structure de l’atelier
1
2
3
7
• J’adore la magie et en particulier le mentalisme
• Sur la photo : Frédéric Da Silva et moi à Las Vegas le mois dernier
Teaser
8
• Il a deviné le chiffre auquel je pensais (22)
• L’utilisation d’une grande quantité de données permet d’anticiper ce que font / veulent les individus
Teaser
9
• Facebook sait :
– Ce que vous avez « liké »
– Ceux auxquels vous êtes liés
– Où vous avez été
– Ce que vous avez écrit
– Et plus encore …
• Et l’utilise pour dresser un profil de vous meilleur ciblage, meilleurs ventes
Les traces numériques sont exploitées grâce au Big Data
10
• Facebook est l’exemple le plus parfait d’utilisation du Big Data à des fins commerciales– Valorisation des données (new business)
– Profilage de « clients »
• Très grande variété de données utilisées pour « profiler » les utilisateurs– Texte
– Image
– Actions
Facebook : la manne du profilage des utilisateurs
11
• Vos Like vous définissent mais vos commentaires et vos partages ont plus de poids
• Les émoticônes (Fév 2016) permettent de comprendre vos émotions
• Ce que vous écrivez est analysé par des algorithmes pour déterminer vos centres d’intérêts
FacebookVos actions vous trahissent
12
Facebook définit votre réseau et en tire des conclusions sur votre propre profil (« qui se ressemble s’assemble »)
• vos « amis »
• les gens avec qui vous apparaissez sur des images
FacebookVos amis vous définissent
13
• Des données à caractère personnel générées à partir de vos photos :
– https://ctrlq.org/google/images
– https://whereisthepicture.com/
FacebookReconnaissance d’images
14
• Le profil d’une personne devient une information monnayable auprès des entreprises
• Test de profiling
FacebookLes données sont un business
15
• D’abord un « buzzword » pour vendre des systèmes IT et des projets qui échouent (80% des projets échouent*)
• Avant tout le résultat d’une évolution technique et commerciale qui permet aux entreprises de traiter des quantités importantes de données à coûts raisonnables
Qu’est-ce que le Big Data ?
1
16
* source : Gartner
• Traiter les données existantes a toujours été vu comme une source de savoir (« insights »)
• Les méthodes et les objectifs du traitement de données ont évolué depuis 40 ans
• Les moyens pour accéder à ce savoir ont été rendus accessibles au plus grand nombre
Le Big Data n’est pas nouveau
1
17
Le Big Data n’est pas nouveau1
18
Le Big Data n’est pas nouveauCe qui a changé : le stockage
1
19Source : a history of storage costs
Le Big Data n’est pas nouveauCe qui a changé : le coût de processing
1
20Source : Sandberg and Bostrom (2008)
Le Big Data n’est pas nouveauCe qui a changé : les données sont partout
1
21Source : IDC's Digital Universe Study
Le Big Data n’est pas nouveauCe qui a changé : les données sont partout
1
22
Le Big Data n’est pas nouveauCe qui a changé : les données sont partout
1
23
• Pourquoi traiter les données ? Pour prédire l’avenir !
• Anticipation = avantage concurrentiel, meilleure gestion des ressources (valable pour les entreprises et pour les Etats)
• Passage des modèles sociologiques de masse à des modèles quasi individuels
Le Big Data : une évolution naturelle depuis 40 ans
1
24
• Les Etats : 1ers consommateurs historiques de données :
– Pour gérer les évolutions sociétales
– Pour « piloter » les pays
• Les sciences sociales à l’origine des premiers modèles :
– Analyse qualitative des variables influençant le comportement
– Évaluation quantitative de l’influence des variables prédéterminées
Le Big Data hier
1
25
Le Big Data hierUn modèle pré-établi que l’on « vérifie »
26
modèle
Variable 1
Variable 2
Variable 3
Comportement à modéliser
• Des corrélations sont cherchées pour chaque individu entre de multiples données, parfois de nature très différente
• Des corrélations étranges peuvent apparaître
• L’explication sociologique devient seconde : seule la corrélation statistique compte
Le Big Data aujourd’huiPlus de modèle préexistant
1
27
Le Big Data aujourd’huiAttention au hasard des corrélations
28
Source : Tyler Vigen’s « Spurious correlations »
Le Big Data aujourd’huiAttention au hasard des corrélations
29
Source : Tyler Vigen’s « Spurious correlations »
• Abandon de l’angle sociologique sur l’interprétation des données
• Recherche de corrélations sans en comprendre l’origine : la causalité n’est plus expliquée !
Le problème du Big Data aujourd’hui
30
• Ce qui a changé :
– La systématisation de la récolte de données
– Le type de données récoltées
– Le niveau de « granularité »
– Le rapport coût / vitesse de traitement
– La finalité (compréhension tendances globales orientation commerciale)
Le Big Data aujourd’huiCe qui a changé
31
PARTIE 22
32
Des exemples concrets pour vous inspirer
• RTBF : exploitation des données de consommation pour proposer du contenu (algorithmes de recommandation)
• Operateur Telecom : prédiction du churn
• Banque : prédiction des dépôts, retraits et du churn
Exemples issus de notre propre travail
33
RTBF
34
• Deux façons de tirer parti de ses données :
– B2B : exploitation des données « clients » pour proposer de nouveaux services à valeur ajoutée
– B2C : récolte et croisement de données sur les individus pour anticiper leurs besoins / vendre plus
• Quelques exemples belges d’exploitation des données à finalités commerciales
B2B vs. B2C2
35
• Données utilisées :
– Taxi sur zone
– Demande
– Probabilité d’achat (sensibilité au prix)
• « dynamic pricing » basé sur offre et demande. En théorie positif pour expérience client (↘ temps d’attente)
• Mais d’autres variables secrètes sont aussi utilisées
Uber« Surge Pricing »2
36
• Startup belge (Gand)
• Utilisation d’informations publiques (open data) pour prédire le prix des biens immobiliers
• Réponse au monopole des notaires sur les prix des transactions immobilières
• Marge d’erreur : 7-9%
Realo2
37
Realo
38
Realo
39
• Utilisation de votre historique d’achat (via carte de fidélité) pour vous proposer des bons de réduction
• Jamais de réduction pour des produits déjà consommés ! (cross-selling)
Delhaize, Colruyt2
40
• Utilisation des données existantes (signaux gsm) à d’autres fins visualisation des mouvements de personnes
• Croisement des ces données avec d’autres de nature socio-démographiques
• Cas d’usage : quantification et qualification des flux de personnes dans les centres commerciaux
Proximus2
41
ProximusCity 2 vs. Docks Bruxelles
42
ProximusCity 2 vs. Docks Bruxelles
43
Données cellulaires pour l’optimisation des transports en commun
44
Source : IntoTheMinds
• Données cellulaires utilisées pour retracer les flux de personnes
• Identification d’un pont représentant un danger pour l’évacuation (« bottleneck »)
Tsunami Japon
45
• Secrétariat social
• Riche en données clients (salaires, absences, profil des employés, …)
• Question : comment exploiter ces données pour résoudre des problèmes clients ?
• Un problème de tous les employeurs : absentéisme
SD Worx2
46
• SD Worx a plus de données sur ses clients que les clients eux-mêmes
• 6500 observations, 980 variables prédictrices
• 8 variables prédictrices de l’absenteisme. Secret mais évaluation de l’employé(e) et présence d’un « backup » jouent un rôle apparemment important
SD Worx2
47
• Projet « open data » : sources d’informations juridiques
• Algorithmes de « text mining »
• Recherches et suivi d’informations sur des sociétés, personnes
Lex.be
48
• Récolte des données publiques (Twitter + posts publics sur facebook) et analyse algorithmique de type NLP (Natural Langage Processing)
• Appliqué à The Voice Belgique en 2015 : Permet de détecter tendances, satisfaction / insatisfaction, …
Détection des tendances grâce à Twitter / Facebook
49
• Plutôt (small) data : exemple de collecte de données propriétaires
• Collecte de données sur les aspirations des candidats, leur perception des entreprises qui recrutent
• Construction de baromètres à destination des entreprises clientes critère de différenciation
Agence de recrutement IT Bruxelles
50
• L’innovation dans les données utilisées permet de trouver de nouvelles sources de revenus
• Les données sont quasiment toujours utilisées pour prédire un comportement, un évènement futur, un prix
Premiers enseignements2
51
• Realo : utilisation de données publiques (open data)
• SD Worx : utilisation de données clients pour solutionner des problèmes B2B
• Proximus :
– valorisation de données anonymisées existantes
– Enrichissement avec des données extérieures
Premiers enseignements2
52
• Delhaize, Colruyt : utilisation de données nominatives existantes (carte de fidélité) pour modéliser la consommation et anticiper les besoins
– Bons de réduction
– Pricing adaptatif
– Prévision supply-chain
Premiers enseignements2
53
• Avez-vous le droit de collecter des données à caractère personnel ?
• Quels règlements s’appliquent ?
– Loi du 8 Décembre 1992 (protection de la vie privée)
– GDPR (26 Mai 2018)
– Directive e-privacy (en préparation)
Aspects légaux
54
3
55
CONCLUSIONS
• Toutes les entreprises ont des données qu’elles peuvent valoriser. Commencez par les recenser
• Travail de réflexion / brainstorming sur leur exploitation possible
• Attention aux contraintes légales
Quelques conclusions
56
• Inutile de prévoir de gros investissements testez vos idées de valorisation « data » sur vos clients
• Commencez petit (un travail statistique simple suffit) et passez éventuellement à la vitesse supérieure avec un partenaire spécialisé
Quelques conclusions
57
Plan d’attaque
58
Plan d’attaque pour utiliser le Big Data dans votre entreprise
59
1. Où sont mes bases de données ? (cadastre)
2. Mes données sont-elles légalement collectées ?
3. Les données sont-elles « dédupliquées » et centralisées
4. Que sais-je sur mes clients ? Qu’est-ce que j’aimerais savoir ?
1. Quels sont mes plus gros problèmes business / commerciaux ? (anticipation)
2. Quels sont les plus gros problèmes de mes clients ? (meilleure gestion trésorerie, insights sur leurs clients, market trends, …)
1. Comment les données peuvent-elles m’aider à répondre aux questions business posées ?
2. Quelles sont les données manquantes ? Pouvez-vous les collecter vous-même ? Sinon, où les trouver ?
3. Les compétences sont-elles dispo en interne pour « triturer » les données ?
Data track business track
Data science track
PARTIE 3
3
60
A vous d’être créatifs ! 3 questions
45 minutes pour réfléchir à l’utilisation du Big Data dans vos entreprises
• Que souhaiteriez-vous pouvoir prédire dans votre secteur d’activité ?
• Quels sont les incertitudes que votre entreprise ou vos clients doivent affronter ?
Question 1Le besoin business (15’)
61
• Quelles sont les informations que vous collectez sur vos clients ou pour le compte de vos clients ?
• Quelles sont les données que vous exploitez déjà ?
• Quelles données vous manquent pour exploiter les opportunités commerciales détectées à la question 1 ?
Question 2Les données (15’)
62
• Que devez-vous faire pour exploiter ces opportunités ?
Question 3Le besoin business
63
3
64
MERCI POUR VOTRE ATTENTION