Le Big Data et les analytics : quels enjeux pour le marketing BtoB

FORUM
Big data,
intégration des données :
vers un marketing agile en B2B
INTERVENTION : Nicolas Terrasse
Le Big Data et les Analytics :
quels enjeux pour le Marketing B2B ?

Dans un contexte marqué par l’émergence du Big Data et des
technologies associées pour le marketing B2B, ce forum
ZEBAZ a fait le point sur les nouvelles tendances, les
nouvelles méthodes et les nouveaux outils à disposition des
professionnels.
Au cours de cette matinée de conférences, cinq experts se
sont succédés à la tribune. Compte rendu de l’intervention de
Nicolas Terrasse (SAS Institute), consacrée aux enjeux et
perspectives oﬀertes par le Big Data et les Analytics pour le
Marketing B2B.
«Big data, intégration des données : vers un marketing agile en B2B» FORUM
Le Big Data et les Analytics : quels enjeux pour le Marketing B2B ?
Créditphoto:http://fr.freepik.com/

1. Quelques notions clés à propos du Big Data
Au-delà de la définition standard du Big Data répondant à la célèbre règle de 3 V du cabinet de conseil Gartner
(Volume, Variété, Vélocité), il est nécessaire de distinguer deux types de données :
Les données déjà à disposition de l’entreprise ou d’un prestataire en charge de les lui fournir.
Les données externes au système d’information de l’entreprise et donc non accessibles instantanément.
Toute intention consistant à collecter de nouvelles données externes à son système d’information
(par exemple, les flux Twitter ou Facebook) doit faire l’objet d’un double questionnement préalable :
1. Seul ou me faisant aider d’un prestataire spécialisé, suis-je en mesure d’extraire ces informations ?
2. Une fois collectées, ces informations m’apporteront-elles une véritable valeur ajoutée ?
Selon la même logique, tout projet Big Data doit faire l’objet de la réflexion suivante : les informations à ma disposition
sont-elles suffisantes pour me permettre d’engager un processus analytique véritablement fructueux ? On peut
notamment citer la récente déconvenue d’une grande banque française désireuse d’analyser la manière dont les
internautes parlent d’épargne sur les réseaux sociaux. Une collecte de flux d’une ampleur conséquente démontra que
cette thématique n’était pas suffisamment abordée sur Twitter et Facebook pour initier une exploitation Big Data.
1

Enﬁn, avant de se lancer dans un processus analytique des datas en sa possession, reste à s’assurer qu’elles ne sont pas :
Erronées… Quelles sont vos chances d’acquérir un nouveau client si votre message ne parvient pas jusqu’à lui ?
Incomplètes… Comment construire un modèle prédictif ou de préconisation si l’information récoltée n’est que
parcellaire ?
Fragmentaires… Comment disposer d’une vue à 360° de votre client avec des données diﬀérentes issues de
multiples sources ?
Erronées… Incomplètes… Fragmentaires… BDD
obsolètes

1. Pas de Big Data sans Analytique
Quelles que soient la quantité et la qualité des données accessibles à une entreprise grâce au Big Data, cette somme
d’informations est dénuée de valeur si n’y est pas adjoint un véritable traitement analytique. En voici les quatre
principaux éléments :
L’élément descriptif. Que nous apprennent ces datas du comportement passé des clients ciblés ? Pour
imaginer le scénario d’une utilisation future d’un ensemble de données, il faut donc commencer par eﬀectuer
un retour en arrière.
L’élément diagnostic. Pourquoi les clients étudiés à travers ces données ont-ils eu un tel comportement ?
L’élément prédictif. Comment reproduire les conditions de ce succès passé ?
L’élément prescriptif. Que mettre en place pour créer les conditions d’un succès futur ? Le marketing
prescriptif peut notamment se concentrer sur les processus d’automatisation de ces conditions de succès
(exemple emblématique : les prescriptions d’achat de produits sur Amazon.com).
A l’heure actuelle, peu d’acteurs sont en mesure de produire cette chaîne de valeur allant du descriptif jusqu’au
prescriptif (sans conteste, la brique la plus complexe du processus), en passant par le diagnostique et le prédictif.
Pour autant, inutile de présenter cette expertise comme plus hermétique qu’elle ne l’est en réalité… Quitte à se faire
accompagner, une entreprise désireuse de comprendre et d’explorer les données qu’elle recueille est une entreprise
suﬃsamment mature pour initier une démarche Big Data.
2

Quelle que soit la complexité des outils liés au Big Data (matrice de corrélation, arbre de décision, marketing
automation…), leur succès repose sur des notions simples : construire des scénarios futurs basés sur le passé, comparer
ces différents scénarios envisagés, prédire le résultat escompté.
Une dimension de la réussite de l’approche analytique est la capacité à rapprocher ces outils de ceux qui en ont le plus
besoin dans le cadre de leur activité (commerciaux, marketeurs, responsables sites web, etc.). Ceci, notamment en
situation de mobilité (par exemple, lors de la présentation d’une offre commerciale chez un client).
Dans la mesure où le Big Data repose sur un grand nombre de données provenant de sources diverses, il est également
essentiel de maitriser l’analyse sémantique. Cette technique sert en particulier à créer une cohérence entre les séries de
données quantitatives et les informations qualitatives.
Exemple : utiliser à bon escient le fait que le client A générant x euros
mensuels de chiffre d’affaires est aussi un lecteur du blog de
l’entreprise spécifiquement intéressé par les thématiques X et Y.
La logique ultime de l’analyse des données Big Data consiste à
écouter et à comprendre le client, afin de lui présenter des
offres susceptibles de le toucher. Y compris dans un contexte B
to B, l’outil de marketing automation est alors bienvenu pour
industrialiser – notamment dans une stratégie d’interactions
multicanal – cette démarche à un nombre plus important de
clients.
Créditphoto:http://fr.freepik.com/Créditphoto:http://fr.freepik.com/

1. Quelques illustrations B to B du Big Data3
Cas n°4 : Un pure-player
internet des cartes de visite
professionnelles (2,5 M de
clients professionnels).
L’analytique a permis à cette
société de créer divers segments
de clients et de sortir ainsi du
marketing de masse.
Résultat obtenu : un taux de
retour des emails envoyés en
hausse de 190%.
Cas n°1 : Un constructeur
aéronautique (- de 100 clients).
Suite à des plaintes répétées liées
à des soucis de maintenance,
cette entreprise s’est livrée à une
analyse sémantique de l’ensemble
des échanges entre les salariés et
leurs interlocuteurs.
Résultat obtenu :
une augmentation de 12%
du taux de satisfaction client.
Cas n°2 : Un vendeur d’espaces
publicitaires dans les toilettes de
night-clubs, bars et restaurants.
Grâce à la technique du marketing
prédictif, cette société a amélioré
la segmentation de son marché.
Les annonceurs ont ainsi accédé
aux lieux les plus adaptés à la
teneur de leur message.
Cas n°3 : Une compagnie
d’assurance B to B (100 000
entreprises clientes en France).
Désireuse de limiter les
déclarations de sinistres
frauduleuses, cette entreprise
s’est appuyée sur le Big Data pour
analyser les relations entre les
diverses parties prenantes (ex. les
conducteurs et les garagistes).
Résultat obtenu : + 26% de
fraudes détectées.

www.zebaz.com | 01 81 800 502
Créditphoto:http://fr.freepik.com/
FORUM
BIG DATA

Le Big Data et les analytics : quels enjeux pour le marketing BtoB

Contenu connexe

Tendances

En vedette

Similaire à Le Big Data et les analytics : quels enjeux pour le marketing BtoB

Plus de Sparklane

Le Big Data et les analytics : quels enjeux pour le marketing BtoB