WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Les apports du big data dans la relation client


par Jeremie GROSSETETE
EMLV -  2015
  

précédent sommaire suivant

2. Analyse prédictive (La Rédaction Journal du Net, 2015b)

Ce type d'analyse découle des analyses BI en y ajoutant la notion d'historique. En croisant les informations actuelles avec les informations historiques ces outils permettent de prévoir l'évolution grâce à des courbes de projections. Cette méthode appliquée à la gestion de la relation client permet de définir des profils clients à fort potentiels ainsi qu'a prévoir quels sont les clients qui ont une forte chance de changer de fournisseur. L'objectif est toujours l'aide à la prise de décision. Dans les entreprises qui ont intégrées les analyses prédictives à leur processus de décision, des modèles de prise de décision sont créés à partir du résultat de ces analyses.

Démonstration d'un flux d'information d'une application d'analyse de sentiments

Source : Etude technique, Analyse prédictive CGI, 2013

L'analyse prédictive possède une limite à son implantation dans les organisations, en effet les formations de Data Scientists sont rares et les compétences nécessaires à la compréhension des problématiques complexes nécessitent une expérience longue dans l'organisation. Voilà pourquoi les entreprises doivent investir dans la formation tout en profitant de la compétence de certains organismes extérieurs.

L'analyse prédictive n'est pas seulement destinée aux entreprises. L'exemple des campagnes électorales du président américain Barack Obama en est la preuve. Lors de sa deuxième campagne électorale, une équipe de 80 personnes était chargée de faire des analyses prédictives basées sur des données en ligne. (Maryse Gros, 2014) L'utilisation d'analyses prédictives a permis aux équipes de récolter une somme record de fond sur internet. En effet l'amélioration de la fréquence des sollicitations et de leur timing a permis d'augmenter les contributions. De plus cela leur a permis l'identification des électeurs indécis et donc d'accroitre leurs interactions avec eux afin de les

17

convaincre. Finalement le nombre de votes en faveur du candidat a augmenté et il a été élu. (Caroline Tailleferd, 2013)

3. Analyse prescriptive :

Les analyses prescriptives sont le prolongement des deux autres principaux types d'analyses. En allant plus loin qu'une simple prédiction, ces analyses permettent de faire des recommandations ciblées. En effet quand l'analyse prédictive émet des hypothèses sur le déroulement du futur, l'analyse prescriptive émet des hypothèses de solutions à mettre en oeuvre afin de gérer la situation à venir. Dans le domaine de la gestion de la relation client, ces analyses sont stratégiques pour les entreprises qui les utilisent. En effet elles permettent de donner des recommandations pour chaque typologie de client en temps réel avec le canal d'information le plus pertinent. ( Ibm.com, 2014, Analyse prédictive)

Par exemple ces outils sont beaucoup utilisés dans le sport automobile. Selon le directeur général de McLaren Appllied Technologies, Geoff McGrath les écuries de Formule1 basent leur prise de décision stratégique en course sur des modèles prescriptifs. L'analyse en temps réel de milliers de données provenant des capteurs de la voiture (usure des pneumatiques), combiné aux données des courses précédentes et de l'environnement (accident, météo) permet la mise en place de stratégies de courses potentielles en temps réel (La Rédaction Business Analytics Info, 2012). Récemment au Grand Prix de Monaco, l'équipe Mercedes a fait une erreur de stratégie, ce qui a ruiné la course de son pilote numéro un, Lewis Hamilton. A la fin de la course, Toto Wolff, le directeur de l'écurie a expliqué que les décisions étaient prises en temps réel et qu'ils n'avaient que quelques secondes pour ajuster les stratégies de courses. Cependant une phrase retient notre attention, il explique que dans cette situation particulière l'algorithme était faux et que donc l'analyse a été un échec. Cela démontre que les outils Big Data ne sont pas infaillibles et que les hommes doivent les utiliser comme aide à la prise de décision. Il reste dangereux de se baser uniquement sur ça pour prendre des décisions. Le libre arbitre doit garder une place importante dans la prise de décision. (Laurence Edmondson, 2015)

IX. Ne pas bruler les étapes :

La mise en place d'un projet Big Data ne peut pas être un objectif en soi. Comme tout projet stratégique, il a besoin d'être pensé et adapté aux besoins de l'entreprise. La pertinence de l'utilisation d'outils Big Data dépend de la réflexion autour du déploiement des solutions.

18

1. Identifier les sources d'informations

Les données disponibles sont énormes et il n'est pas toujours pertinent de croiser le plus d'informations possible pour trouver réponses pertinentes. L'entreprise doit avant tout savoir quels sont les informations les plus pertinentes pour elle et en identifier les sources. Par exemple si l'entreprise veut connaitre l'impact d'une campagne marketing, les données disponibles vont être disponibles sur les réseaux sociaux mais aussi dans des forums, ou dans des articles de la presse spécialisée. L'entreprise va donc devoir définir selon quel point de vue elle veut avoir le retour de cette campagne. Si elle veut un retour de la part du client, les données de réseaux sociaux sont les plus judicieuses, en revanche si elle veut l'avis de ses pairs ou de la presse spécialisée, les retours de journalistes seront plus pertinents.

2. Définir les usages

L'utilisation des données est tout aussi stratégique que la définition des sources. Comme nous l'avons vu plus précédemment, les outils Big Data permettent une aide à la prise de décision mais en aucun cas de remplacer l'action humaine. L'entreprise doit donc savoir si elle veut faire du business intelligence, de l'analyse prédictive ou de l'analyse prescriptive ou une combinaison de ces trois types d'analyse.

3. Choisir l'architecture

Le projet peut avoir plusieurs bases possibles, par exemple l'entreprise peut choisir de miser principalement sur l'analyse en temps réel de flux de données, dans quel cas le projet sera basé sur la vélocité. Ou l'entreprise peut vouloir analyser le plus d'information possible et le projet sera basé sur la variété. Les outils doivent être intégrés dans le système de management de l'entreprise et mis à disposition des directions métier. La grande décision à prendre est la mise en place d'un projet avec des logiciels basés chez le client ou dans le Cloud, c'est un choix que le client doit pouvoir évaluer en termes de cout et de sa politique de protection des données.

Les entreprises qui respectent ces trois grandes étapes dans la mise en place de leurs projets Big Data, s'assurent une efficience dans l'utilisation qu'ils vont en avoir et dans les résultats qu'ils vont en tirer.

19

précédent sommaire suivant