DATA ANALYTICS

Analyse de données : ciblage, mesure et optimisation

L’extraction et la segmentation de la data permettent, à l’aide d’algorithmes et de programmes, d’opérer une analyse fine & granulaire du comportement consommateur vis-à-vis des marques.

Il s’agit plus concrètement de repérer des corrélations, des points de contacts entre une entreprise et ses clients puis de compiler, centraliser et exploiter ces informations et variables sur ses tableaux de bord.

L’objectif de nos data scientists et data analysts est d’adapter la communication aux usages et aux supports de consommation de contenus en ligne et ce quel que soit le device.

Pour cela, ils explorent, analysent et modélisent une très grande quantité de données, communément appelée la “Big Data” ou encore “mégadonnée”. Le rôle de ces analystes 2.0 est de croiser les indicateurs de sources variées pour accompagner nos clients dans une prise de décision rationalisée.

Data analytics : quelles sont les sources actionnables de collecte de données ?

  • Google Analytics, ses statistiques et graphiques.
  • Pixels de conversion qui permettent de suivre l’efficacité des publicités.
  • Des outils d'analyse CMR/GRC (Gestion de Relations Clients).
  • Les registres de transactions.
  • Les cookies, qui collectent des informations concernant les utilisateurs et tracent leurs habitudes de consommation.

Big data analytics : pourquoi l'analyse des données est-elle indispensable ?

De plus en plus de données sont collectées et mises à disposition. Cependant, celles-ci ne sont pas toujours structurées et par conséquent, difficilement exploitables. Le traitement des données analytiques permet d’organiser les informations et de les utiliser de manière bien plus performante.

Le traitement de la Big Data est également nécessaire avec l’avènement de la distribution des espaces publicitaires (notamment sur Facebook), qui fonctionne de plus en plus sur un système d’enchères (dans le cadre de la vente en programmatique).

La valorisation de cette donnée a ainsi contribué à l’inflation des coûts des emplacements d’achat publicitaires premium et native.

Il est donc devenu indispensable pour la marque de se lancer dans l'exploration des données et de bien maîtriser sa valeur. Pour être certain de toucher son cœur de cible dans le respect des contraintes et des normes imposées par le RGPD, notamment.

Quel est le profil et le champ d’intervention d’un data scientist ?

Puisque le data scientist est chargé de penser la conception de modèles et d’outils conçus pour un traitement analytique, une collecte ou un stockage efficient des données, il s’apparente à un expert de l’analyse quantitative et qualitative.

Son travail permettra à l’entreprise qu’il accompagne de dessiner les profils type de ses clients, leurs habitudes de consommation et d’achats, afin de créer des clusters. Il a une fonction prédictive au sein d'une entreprise.

Le data scientist a donc plusieurs compétences clés : l’analyse de données quantitatives comme qualitatives, la programmation (SQL,MongoDB,etc...), la gestion de données non structurées (en provenance des réseaux sociaux, mais aussi des flux vidéo ou audio), etc.

Le data scientist maîtrise également chaque logiciel d'analyse propre à son domaine technique :

  • SPSS d’IBM
  • ou les logiciels SAS sont très utilisés, par exemple.

Enfin, l’anglais professionnel est une aussi une compétence nécessaire en data science.

Comment l'analyse de données aide à résoudre un problème et à prendre une décision ?

Les data scientists transforment les problématiques rencontrées par une entreprise en une somme d’équations solvables par le traitement statistique et mathématique.

Pour réaliser ce travail de corrélation d'analyse prédictive et descriptive, la data pourra provenir de deux sources majoritaires :

  • La data Offline, ou données consommateurs, qui est récoltée dans les points de vente (les programmes de fidélité en magasin par exemple),
  • Et la data Online, dont le traitement est piloté en temps réel, à lumière du comportement et des choix effectués par le consommateur sur internet. On parlera alors de behavioural data.

Utilisation publicitaire de la data : quels sont les outils les plus efficaces ?

  • Les DMP (Data Management Platforms) permettent de récupérer, centraliser, gérer et utiliser les données relatives aux prospects et clients afin d’améliorer ses actions marketing.
  • Les Datalakes sont des espaces de stockage dans le cloud permettant la centralisation et la visualisation des données brutes d’une entreprise. Celles-ci sont exploitées grâce à des algorithmes ou via du machine learning afin de créer une architecture décisionnelle (création de rapports, visualisation, analyse, apprentissage automatique).
  • Les plateformes SaaS, telles que Hubspot ou Marketo, permettant d’améliorer la productivité des actions marketing en centralisant, sur un même espace, les outils les plus efficients pour récolter la data, traiter, tracker et automatiser les actions marketing.

Pourquoi la data permet de mieux solliciter ses futurs clients ?

Nous avons insisté sur ce point dans cet article : l’utilisation de la data permet d’approcher le client de manière plus intelligente et personnalisée.

Et ainsi, de pouvoir anticiper une relation à plus long terme et non pas une régression des achats.

A défaut de développer et d’internaliser cette compétence, les entreprises peuvent s’appuyer sur nos experts pour avancer d'ores et déjà sur une stratégie d'analyse de données.

Comment VerticalY utilise la data Facebook pour améliorer la prise de décision dans ses campagnes d’influence marketing ?

La data doit se trouver au cœur du processus d'aide à la décision stratégique. De la business intelligence.

C’est en partant de ce constat qui se veut agnostique que Verticaly a créé sa méthodologie. En amont de la campagne, nous étudions et nous compilons la data de notre client. C'est sur la base de cette analyse que nous pourrons construire notre stratégie d’achat et de ciblage.

La data annonceur sera dédupliquée afin de pouvoir élargir le bassin d’audience (création de profil jumeau, dit look alike), créé sur la base d’une audience déjà définie. Il s’agit de comparer les données de notre première audience avec les données d’une autre afin de cibler les utilisateurs au comportement similaire à celui de notre audience de base.