Journée du Vendeur CEFORA : l'impact du Big Data dans la vente

info@IntoTheMinds.comwww.IntoTheMinds.com

©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