Interview de Meteors : Clés de succès d’une démarche de pilotage de la Performance marketing-ventes grâce à la Data Science

Louis-Antoine Pottier : Il est très important de commencer par identifier le catalogue de données que l’on souhaite utiliser pour construire le modèle d’analyse. Les données sont le carburant du modèle. Il peut s’agir de données comportementales, transactionnelles, web auxquelles s’ajoutent les données personnelles si on souhaite produire des analyses différenciées en fonction des différents types de population.

Une fois que l’on a identifié les données à intégrer dans le modèle, se posent des questions plus techniques. Il faut identifier les sources de données et les manières de capter les données dont on a besoin.

A ce moment-là, il y a deux scénarios possibles :

• Soit l’entreprise dispose déjà d’un entrepôt de données qui centralise les données et sur lequel on va pouvoir se baser. 
• Soit l’entreprise ne dispose pas de base de données centrale, et dans ce cas il va falloir réaliser un travail de centralisation en allant piocher dans les différentes sources d’information : systèmes d’encaissement, site ecommerce, agences media, reportings…Les données dont on a besoin sont alors récupérées et chargées dans un environnement efficace pour les traiter : une plateforme pouvant traiter de gros volumes de données, des données disparates, pas toujours structurées et dans laquelle nous pourrons faire les analyses via des méthodes appropriées, avec des outils d’IA, des langages spécialisés…

Alexandre Langlois : Une fois que l’on dispose de données cataloguées, exploitables, idéalement individualisées, nous pouvons enclencher le travail de Data Science. C’est alors que se pose la question du choix des modèles mathématiques.

Alexandre : Il n’y a pas forcément de “bons” modèles en soi, cela dépend de la problématique de l’entreprise. L’enjeu est de trouver le modèle en adéquation avec la problématique à traiter, avec les objectifs de l’analyse.

Un algorithme, c’est une réponse à une question. Il faut savoir à quelles questions on souhaite répondre : réduire le churn, optimiser l’allocation des budgets, mieux activer les clients, etc.

Alexandre : Deuxièmement, il ne faut pas chercher à faire compliqué quand on peut faire simple. Avant de s’embarquer dans des modèles complexes et sur-mesure, il faut s’assurer des cas d’usage métier du dispositif. Cela nous ramène à la question des finalités. Le modèle a vocation à donner des réponses exploitables par le métier.

L’objectif n’est pas de faire tourner un algorithme, mais d’aider la prise de décision et d’aider les équipes métier. Il faut toujours garder en tête la manière dont le modèle sera activé par le métier.

Alexandre : Troisièmement, il faut un modèle adapté au secteur d’activité et aux parcours clients. Dans la mode, dans le Retail, les parcours clients ne sont pas les mêmes que ce qui existe dans le secteur automobile par exemple. Les temps interachat ne sont pas du tout les mêmes. Résultat : le modèle sera différent.

Alexandre : Une fois que le modèle a délivré les premiers résultats, on peut venir l’enrichir avec de nouvelles données. Il est toujours possible de complexifier les modèles avec de nouvelles informations. Par exemple, dans le cas d’un modèle d’attribution, on peut commencer par intégrer les communications par email, par sms – tout ce qui est traçable.

Plus tard, on peut enrichir le modèle en intégrant des données offline : affichages, radio, TV. Dans ce cas, le tracking n’est plus possible, on ne sait pas qui a été exposé à telle communication, mais on peut deviner avec des outils probabilistes et ainsi rattacher les canaux aux personnes.

Alexandre : Le sujet de l’appropriation de la démarche par les équipes métier est clé. Il faut qu’elles s’approprient l’outillage et l’exploitent efficacement. Pour faire en sorte que les résultats de la Data Science soient exploitables par des équipes marketing-ventes, il faut que les équipes métiers soient embarquées dans la construction du dispositif, notamment dans la définition des indicateurs et la définition des cas d’usage.

Il faut aussi construire un outil simple, comme je le disais plus tôt. Revenir à la simplicité. Être simple et efficace.

Louis-Antoine : Les professionnels de la data impliqués dans le projet doivent être capables de restituer le fruit de leur travail. Les modalités varient suivant la nature du projet. Si l’entreprise souhaite améliorer ses communications clients, nous serons amenés à restituer des études, des documents, des rapports.

Si le dispositif est construit pour améliorer l’acquisition de trafic, les retours seront plus immédiats. Nous allons analyser le ROI et restituer les résultats aux équipes métier sous forme de présentations.

On peut être amené, par exemple, à recommander une fréquence cible ou un canal cible d’envoi par segment d’audience. On pourra construire des indicateurs techniques qui viendront alimenter les outils d’activation.

Les modalités de restitution doivent être adaptées aux usages cibles.

Olivier : Il ne faut jamais perdre de vue que les enjeux d’une entreprise sont globaux. Dans une organisation, il y a toujours le risque que chacun tire la couverture à soi. Je pense particulièrement à la question des finances. Parfois, dans une volonté de clarifier les budgets, on en arrive à fragmenter là où l’on avait une volonté de “bien commun”.

Notre expérience nous a amenés à prendre conscience de cette réalité : une marque est multiforme. Une marque s’incarne dans une boutique, dans une communication radio, sur du display, sur le site internet. Il faut voir la marque dans sa globalité, ce que j’appelle voir le “bien commun”.

Dans la même logique, c’est toujours plusieurs canaux qui rendent raison d’une conversion. Le mérite ne revient pas uniquement au dernier canal, d’où l’enjeu des modèles d’attribution et de l’omnicanalité. D’où l’importance aussi, par-delà les silos, de bien aligner le online et le offline sur le même objectif.

Il y a vraiment une pédagogie à faire auprès de l’ensemble des équipes pour intégrer cette notion de “bien commun”.