Big data et marketing :Vers une analyse prédictif de d'acte d'achat

Moncenix Philippe
Promotion 2013
Session septembre 2013
Big data et marketing : vers une
analyse prédictive de l’acte
d’achat
Professeur conseiller : Antoine Deleuze

2
Table des matières
1 Table des matières
2 SYNTHESE ........................................................................................................................ 5
3 INTRODUCTION .............................................................................................................. 8
4 PRESENTATION DU CONCEPT «BIG DATA»........................................................... 10
4.1 Le contexte du «Big data»......................................................................................... 10
 L‟explosion des nouveaux terminaux........................................................................ 10
 Les nouveaux usages ................................................................................................. 14
 La capacité d‟utiliser ces volumes gigantesques de données. ................................... 16
4.2 Définition du «Big data» ........................................................................................... 17
 Volume ...................................................................................................................... 17
 Vitesse ....................................................................................................................... 18
 Variété ....................................................................................................................... 18
5 LE CAS PARTICULIER DU « BIG DATA » MARKETING ........................................ 19
5.1 Les limites du marketing ancien................................................................................ 19
 La segmentation traditionnelle est perfectible........................................................... 20
 Le changement de consommation est un autre facteur qui affecte les bases du
marketing classique........................................................................................................... 20
 L‟utilisation excessive de la notion de moyenne....................................................... 20
 Les limites du webmarketing..................................................................................... 21
5.2 Naissance du marketing prédictif. ............................................................................ 22
 Définition................................................................................................................... 23
 Objectifs..................................................................................................................... 24
6 EXEMPLES DE MISE EN ŒUVRE DU « BIG DATA » MARKETING ..................... 28
6.1 Le cas PriceMinister .................................................................................................. 30
 La problématique de PriceMinister ........................................................................... 30
 La solution «Big data»............................................................................................... 31

3
 Résultats et conclusion. ............................................................................................. 32
6.2 Le cas Criteo.............................................................................................................. 33
 La problématique....................................................................................................... 33
 Le rôle et le modèle économique de Criteo............................................................... 35
 Résultats obtenus par Criteo...................................................................................... 36
6.3 Les grands acteurs croient en l‟avenir du «Big data»................................................ 37
 Google : une société basée sur les données .............................................................. 37
 Les traces laissées sur internet ont une valeur marchande ........................................ 39
6.4 Le «Big data» n‟est cependant pas encore généralisé .............................................. 40
 L‟Oréal....................................................................................................................... 40
 Barclays Banque........................................................................................................ 40
 La perception d‟une société d‟infogérance : Bull...................................................... 42
6.5 Quelques points spécifiques à prendre en compte dans les projets « big data » ....... 43
 Repensez l‟organisation marketing ........................................................................... 43
 «Big data» : vers une nouvelle relation entre le service marketing et le service
informatique...................................................................................................................... 45
 L‟apparition de nouveaux métiers. ............................................................................ 45
 Les enjeux financiers................................................................................................. 47
 Vie privée et «Big data»............................................................................................ 47
6.6 Au-delà du marketing, le « Big data », la boite à outils multi-usages....................... 50
7 BILAN ET RECOMMANDATION................................................................................. 54
7.1 Bilan........................................................................................................................... 54
7.2 Recommandation : Ne pas perdre de temps face à la concurrence............................ 55
8 Annexes............................................................................................................................. 56
8.1 Guide d‟entretien pour les interviews........................................................................ 56
 Thème 1 : connaissance du «Big data» par l‟entreprise :.......................................... 56
 Thème 2 : La donnée au service des stratégies marketing......................................... 56

4
 Thème 3 : Le «Big data» une réalité pour les entreprises ?....................................... 56
8.2 Personnes contactées ................................................................................................. 57
9 Bibliographie..................................................................................................................... 58
10 Webographie ................................................................................................................. 60

5
2 SYNTHESE
Depuis quelques années les entreprises de tous secteurs font face à un marché de plus en plus
concurrentiel, à une évolution technologique fulgurante et à des changements du
comportement du consommateur et de ses façons de consommer.
En effet la consommation de masse a disparu et laisse place à une consommation plus
réfléchie, hyper comparative, dans laquelle les valeurs, les sentiments, les émotions ou encore
les sensations viennent plus que jamais modifier les comportements d‟achat. Les fondations
sur lesquelles reposent les bases du marketing s‟en retrouvent bouleversées.
Cette révolution est d‟autant plus importante que la technologie a profondément modifié les
comportements d‟achat, les réseaux de distribution, l‟appréciation de la valeur ou encore le
pouvoir du consommateur.
L‟ère digitale modifie considérablement les connaissances du consommateur et sa valeur. Un
client va désormais se renseigner bien plus précisément sur l‟entreprise et sur les différents
produits proposés sur le marché puis ensuite comparer plus facilement les produits en fonction
du prix et d‟autre facteurs importants à ses yeux. Une fois ce travail de renseignement réalisé,
le consommateur peut décider où et comment il va acheter son produit : sur internet, en
magasin, par paiement différé etc.
Internet a redonné le pouvoir au consommateur qui est devenu un véritable
« consomm‟acteur » : il peut dorénavant donner son avis sur le produit et l‟ensemble des
services et le partager avec le monde entier à travers les blogs, les réseaux sociaux ou les
forums.
En plus de l‟avènement du e-commerce, de nouvelles plateformes média ont émergées telles
que les Smartphones, les tablettes, la télévision connectée ou encore les objets connectés
démultipliant ce phénomène grâce au facteur de mobilité. Le client est désormais maître de
sa consommation à chaque étape du processus.
Le processus d‟achat et le parcours client sont désorganisés et les entreprises sont obligées de
s‟adapter pour rester concurrentielles et attractives. Pour cela elles doivent repenser leur
business et replacer leur client au cœur de leur stratégie. Le marketing dont l‟objectif est de
proposer le bon produit au bon client au bon moment doit s‟adapter.

6
Mais, bien sur, l‟ère numérique n‟impacte pas uniquement le consommateur, elle permet aussi
aux entreprises d‟évoluer, d‟améliorer leur démarche commerciale. En particulier elle a
conduit à l‟essor du marketing digital qui représente l‟adaptation des techniques marketing
aux différents supports numériques (ordinateur, téléphone mobile, affichage dynamique etc..).
Parmi ces adaptations, on peut citer, à titre d‟exemple, les techniques ci-dessous :
Référencement naturel (SEO)
Référencement payant (SEA)
Média sociaux (SMO)
Campagnes e-mailing
Affiliation
Display
Retargeting
Gestion de bases de données (CRM)
Afin d‟exceller dans ces nouvelle stratégies, la connaissance client devient une nécessité
primordiale.
La multitude de données générées par le digital explose et ne cesse de croitre. Ces
informations sont riches de renseignements, les internautes cliquent, publient, commentent et
sèment tout au long de leur parcours une grande quantité d‟informations les concernant. Ces
données sont d‟autant plus intéressantes qu‟elles révèlent des informations auxquelles
l‟entreprise ne pouvait accéder antérieurement ou encore insoupçonnées. Afin d‟analyser
l‟ensemble de ces données une nouvelle technologie a vu le jour, la technologie «Big data».
Les premières technologies «Big data» ont été créées par les entreprises leaders du Web
(Google, Amazon, Yahoo, …) car ce sont les premières qui ont eu à faire face à des
problématiques de gros volumes de données à traiter en temps réel.
Grace au «Big data», toutes les entreprises sont désormais capables de stocker, analyser et
modifier leur stratégie marketing afin de tenter de reprendre la main sur leur relation avec le
consommateur en affinant leur connaissance client.
En effet de nouvelles techniques d‟analyse découlent du «Big data» dont l‟analyse prédictive.
Ce nouveau concept basée sur l‟analyse des données permet d‟affiner le ciblage, la
connaissance client mais aussi de déceler des informations cachées et de prédire des

7
tendances. C‟est dans cette perspective que le «Big data» devient un enjeu majeur pour le
marketing en permettant des prédictions relatives au comportement du client dans sa relation à
l‟entreprise entre autre sa fidélité ou encore son comportement d‟achat.
Le «Big data» dans le domaine du marketing prédictif est présenté comme la nouvelle
révolution, tout le monde en parle.
Mais toutes les entreprises se sont elles lancées dans cette démarche ? Les résultats attendus
sont ils au rendez vous ? Quelles en sont les difficultés et les limites ?
L‟examen de quelques réalisations concrètes, les interviews de quelques acteurs économiques
nous ont permis de constater les succès obtenus par quelques pionniers mais la généralisation
de cette technologie, qui va avoir lieu, reste à faire.
Le déploiement de ces stratégies marketing amène avec elle des transformations au sein de
l‟entreprise au niveau de l‟organisation, des relations entre services, des ressources humaines
et de l‟équipement technologique.
Enfin, si cette révolution «Big data» est promise à un bel avenir, il existe néanmoins des
freins à son développement tels que le cadre réglementaire pour l‟utilisation de ces données et
les problèmes liés à la sécurité de l‟information.

8
3 INTRODUCTION
L‟essor d‟internet et des nouvelles technologies de l‟information s‟accompagne d‟une
croissance exponentielle des données créées sur le web.
Cela provient pour l‟essentiel de l‟être humain : il génère une quantité croissante de données
à chacune de ses interventions sur la « toile », il utilise internet de plus en plus fréquemment.
Les informations déposées sur le web sont non seulement plus volumineuses mais aussi de
plus en plus riches. Le web 2.0, le web communautaire et les réseaux sociaux sont des sources
indéniables de ce phénomène : les individus commentent, publient des photos, des vidéos, des
images, créent du contenu, font part de leurs opinions, de leurs goûts, indiquent leur position
GPS et interagissent entre eux.
Les point d‟accès au web se sont multipliés et dorénavant l‟individu peut se connecter via son
ordinateur portable, son téléphone portable, sa tablette ou encore sa télévision. Cette mobilité
de la connectivité augmente le flux d‟informations, la précision et la richesse des traces
numériques émises. L‟être humain est connecté et le sera de plus en plus, l‟avènement des
objets connectés ou encore des magasins connectés sera l‟un des facteurs de cette progression.
Avant la généralisation du phénomène évoqué ci-dessus, les entreprises pouvaient se
permettre de traiter seulement les données transactionnelles relatives à leur clientèle, elles
doivent dorénavant faire face à cette multitude d‟informations supplémentaires.
Les avancées technologiques en termes de stockage et de traitement rendent aujourd‟hui
possibles le stockage et l‟exploitation de ces volumes de données de plus en plus grands.
Dans ce contexte le concept «Big data» est apparu. Il est annoncé comme la prochaine
révolution informatique. Le cabinet Mac Kinsey en juin 2011 dans sa publication « Big
data: The next frontier for innovation, competition, and productivity1
» [1] prône la nouvelle
ère du «Big data». De son côté, le gouvernement français a dernièrement fait part de son
1
KINSEY,”Big Data full report mai 2011”, Copyright © McKinsey & Company, 2011

9
intérêt pour cette nouvelle technologie, « la cause a été classé priorité nationale… 2
» [2] et a
émis le souhait de créer plusieurs pôles de compétitivité dans ce domaine.
Le «Big data» a de nombreux domaines d‟application, pour certains en dehors de l‟entreprise :
la sécurité publique, la santé …, d‟autres au sein de l‟entreprise : suivi de la qualité des
produits, détermination des niveaux appropriés de stock, analyse et amélioration des flux
logistiques, marketing….
Ce document vise à faire un état des lieux du «Big data» dans le domaine du marketing
prédictif.
La première partie du document a pour objet de décrire plus précisément le «Big data» et son
contexte, en le définissant, en identifiant ce qui l‟a rendu possible, et en essayant de
comprendre ce qui le rend en théorie nécessaire ou souhaitable.
La seconde partie traitera du rôle que le «Big data» va jouer plus particulièrement au sein du
service marketing des entreprises Cette étape soulignera les limites du marketing actuel puis
analysera l‟essor du marketing prédictif.
La troisième partie aura pour but d‟analyser des réalisations concrètes dans le domaine du
marketing prédictif en étudiant dans un premier temps le cas de PriceMinister puis dans un
second temps le cas de l‟entreprise Critéo. Un coup de zoom sera porté sur quelques
entreprises qui comme Google ou les opérateurs télécoms ont parfaitement intégrés dans leur
démarche la valeur des données. L‟analyse sera consolidée par des interviews auprès de
divers acteurs potentiellement concernés par le sujet afin de recueillir leur connaissance et
leur évaluation du «Big data».
2
Le JDD « La France joue sa carte numérique. » <http://www.lejdd.fr/Medias/Internet/Actualite/La-France-
joue-sa-carte-numerique-618953

10
4 PRESENTATION DU CONCEPT «BIG DATA»
4.1 Le contexte du «Big data»
 L’explosion des nouveaux terminaux
La révolution technologique est l‟une des explications indéniables de l‟accroissement des
données, en effet le quotidien des personnes est bouleversé par l‟utilisation d‟une multitude
d‟écrans accessibles tout au long de la journée et partout, de son lieu de travail jusqu'à son
espace intime. L‟être humain évolue dans un monde d‟objets connectés, dont le nombre
s‟accroît en permanence. « En 2011, il y avait près de 9 milliards de terminaux connectés
dans le monde. Ce chiffre devrait s’élever à 24 milliards en 20203
» [3].
Smartphones, ordinateurs et tablettes.
L‟outil de communication le plus utilisé est aujourd‟hui sans aucun doute le téléphone
portable. Avec le temps, il est devenu en effet de plus en plus sophistiqué et l'arrivée des
Smartphones a encore accéléré et diversifié son utilisation. L'étude "Global Mobile Media
Consumption" réalisée par le groupe de publicité mobile, InMobi, révèle « qu'avec un peu
plus de 1,8 heures par jour, la consultation du téléphone mobile est l'activité à laquelle nous
consacrons chaque jour le plus de temps, devant l'ordinateur (1,6 heures) et la télévision (1,5
heures). Avec 37 minutes, la tablette reste un peu en retrait4
» [4]
Après avoir envahi les environnements professionnels, les ordinateurs et les téléphones
mobiles se sont déployés dans tous les lieux de vie.5
[5]
Quand accédez-vous au web à partir de votre téléphone mobile ?
(Plusieurs réponses possibles)
En attendant quelqu‟un 85%
3
VALTECH, Livre blanc,”Crossdatamarketing”, 2013 page 16 http://www.valtech-training.fr/assets/uploads/pdf/white-
paper-cross-data-marketing-fr.pdf
4
IMOBI/ “Global Mobile Media Consumption”, 2013
http://www.mm.be/sites/default/files/public/Global_Mobile%20Media%20Consumption%20Whitepaper.pdf
5
VALTECH/Livre blanc, ”Crossdatamarketing”, 2013, page 25 http://www.valtech-
training.fr/assets/uploads/pdf/white-paper-cross-data-marketing-fr.pdf

11
Quand accédez-vous au web à partir de votre téléphone mobile ?
(Plusieurs réponses possibles)
Au lit 82%
En regardant la télévision 62%
Dans les transports 60%
En famille 48%
A l‟occasion de réunions 45%
En faisant des achats 43%
Dans la salle de bain 30%
La tablette a également fait son apparition dans le paysage technologique des consommateurs.
D‟après l‟étude réalisée par l‟institut Valtech « Une enquête récente révèle que 12 % des
sondés possèdent une tablette, soit 70 % de plus qu’en 2010. Et 38 % des sondés n’en
possédant pas envisagent l’achat d’une tablette dans les 12 prochains moins 6
» [6].Une autre
étude réalisée par Adobe Digital révèle que « les tablettes génèrent un trafic plus important
que les téléphones portables sur internet, donnée intéressante en vue d’analyser les nouveaux
usages des utilisateurs.7
» [7]
6
VALTECH/Livre blanc, “Crossdatamarketing”, 2013, page 16 http://www.valtech-
7
ADOBLE/ “mobile bench mark”, 2013, page 1
http://success.adobe.com/assets/en/downloads/whitepaper/13926_di_mobile_benchmark_final
.pdf

12
Télévisions connectées
Les canaux traditionnels comme la télévision subissent également des transformations de
taille sur le plan de la technologie. Les consommateurs peuvent désormais se connecter à
internet via leur télévision grâce à de multiples moyens: les box des FAI, les nouveaux
téléviseurs connectables, les consoles de jeux, les lecteurs Blu-ray, etc. Le téléviseur est de
plus en plus souvent connecté et le nouveau consommateur peut désormais interagir avec ses
programmes, naviguer sur internet, regarder des films grâce au service VOD ou encore
profiter des plateformes multimédia telles que « Youtube » ou « Facebook ». « C’est ainsi que
trois millions de TV connectées ont été vendues entre le 1er trimestre 2009 et fin mai 2012
selon GfK Consumer Choices »8
[8]. Le marché français connaît une évolution croissante
depuis mars 2012. Toutefois ces bons résultats demandent néanmoins à être nuancés, par
exemple «un tiers des utilisateurs en Europe n'avaient, en mai 2012, jamais connecté leur TV
connectable» !
8
La TRIBUNE « les ventes de tv connectées décolle en France » <http://www.latribune.fr/technos-
medias/electronique/20120717trib000709461/les-ventes-de-tv-connectee-decollent-en-france.html<

13
Les objets connectés
L‟essor de toutes ces technologies est relativement récent, mais l‟homme est déjà habitué à
évoluer dans un monde connecté.
Au-delà des innovations introduites par les Smartphones et, plus récemment par les
tablettes, une nouvelle gamme de produits émerge : les objets connectés.
L‟Internet des objets, dont on parle déjà depuis plusieurs années, repose sur l‟idée que tous les
objets seront connectés un jour à Internet et seront donc capables d‟émettre de l‟information
et éventuellement de recevoir des commandes. Ce phénomène est déjà partiellement devenu
une réalité : Les bornes interactives sont présentes dans de nombreux magasins physiques, les
panneaux d‟affichage publicitaire traditionnels sont progressivement remplacés par des écrans
que l‟on imagine bientôt interactifs. Les dernières évolutions dans l‟industrie automobile ont
fait de la voiture un objet connecté, intégrant les données de trafic, de météo, de géo-
localisation, mais permettant également une connexion aux réseaux sociaux.
Demain, c‟est toute la maison qui sera connectée : l‟ensemble des produits domestiques sera
connecté : TV, réfrigérateurs, portes électriques, chauffage, plaque de cuisson…etc.
En terme de chiffre, Cisco System estime que, en 2013, « les objets et appareils connectés à
l’internet (compteurs électriques, réfrigérateurs, ordinateurs, terminaux de paiement…) sont
déjà deux fois plus nombreux que les humains9
. » [9]
L‟omniprésence et la multitude des produits connectés engendreront une explosion du
nombre de données relatives à l‟individu, en prenant pour hypothèse que chaque objet
émettra ou recevra une quantité de données du même ordre que celle produite actuellement
lors de l‟utilisation d‟internet.
A titre d‟exemple, il est intéressant de voir que la marque Nike commercialise désormais,
aux côtés de ses produits traditionnels, des objets connectés du type Nike Fuelband, un
bracelet capable de mesurer l‟ensemble des efforts fournis chaque jour en se basant sur une
unité de mesure inédite : le fuel. Le Nike Fuel Band est équipé de la connexion Bluetooth et
adossé à une application iPhone qui propose un résumé détaillé des dépenses physiques
fournies, à la seconde près. Il est également doté d‟une clé USB. Ainsi, il est possible de
partager ses résultats sur les réseaux sociaux et de les confronter à ceux des sportifs de haut
9
BRUNO TEBOUL, « L‟absolu marketing », édition Kawa, juillet 2013, page 433

14
niveau connectés. Ce genre d‟innovation illustre le fait que les données collectées par ce type
d‟objet sont très riches et de plus en plus personnelles. « Le marché des objets connectés
serait évalué à 4,5 trillions de dollars à l’horizon 2020, tous segments confondus10
» [10]. Ce
nouveau phénomène nous intéresse ici en premier lieu dans le cadre du «Big data», car
chacun de ces objets contribue à accroître encore la quantité de données générées par des
utilisateurs désormais multi-connectés. Et c‟est bien au travers de leurs usages variés et en
perpétuelle évolution des nouvelles technologies que les utilisateurs et les consommateurs
produisent ces données à un rythme exponentiel.
 Les nouveaux usages
Pour l‟instant ce sont encore les humains qui sont les principaux responsables de l‟explosion
du volume d‟information : un coup de téléphone, un email, un téléchargement de fichier, une
vidéo postée, tous ces éléments viennent enrichir l‟immensité des données publiées sans
cesse sur internet. Ainsi, après avoir présenté l‟impact de l‟apparition des nouveaux
terminaux, intéressons nous maintenant aux nouveaux usages de l‟internet.
Les réseaux sociaux
L‟impact du web communautaire et des réseaux sociaux est évident : Aujourd‟hui, tout le
monde ou presque est inscrit sur un ou plusieurs réseaux sociaux, au premier rang desquels
Facebook, Twitter et LinkedIn. Partage d‟informations, d‟expériences ou d‟opinions,
d‟images ou de vidéos, constitution ou développement de réseaux de relations : les traces de
ces activités sociales numériques restent gravées dans la mémoire du web.
L‟internaute, qui, au départ, avait un rôle passif de lecteur sur Internet, devient désormais une
source active en créant du contenu, entraînant ainsi une hausse des données produites sur le
Web.
10
VALTECH/Livre blanc « Crossdatamarketing »/page 19 http://www.valtech-

15
Le multimédia
Du fait de la multiplication des terminaux mobiles et des interfaces, les consommateurs font
preuve d‟une exigence accrue de pouvoir créer, consulter et partager des contenus multimédia
en quelques clics. « Ainsi, à l’échelle mondiale, la majorité (56 %) des utilisateurs indiquent
regarder des contenus vidéos depuis leur téléphone mobile au moins une fois par mois, et
28% affirment en consulter au moins une fois par jour11
» [11]. Les chiffres parlent d‟eux
même….
Cette importance nouvelle des contenus multimédia est en particulier tirée par l‟essor
fulgurant des jeux en ligne (et en particulier des jeux sociaux). « A la fin 2011, les américains
passent 30 % de plus de temps sur les consoles de jeux vidéo qu’un an auparavant. En
particulier, 33,5 % des abonnés mobile américains se servent de leur téléphone pour
jouer.12
» [12]
Le commerce connecté
Tous ces nouveaux usages révolutionnent l‟e-commerce, et le comportement des
consommateurs. Dorénavant, en plus de pouvoir acheter directement des produits sur internet
avec simplicité et efficacité, en comparant facilement les prix et les produits et ce, y compris à
l‟international, le consommateur interagit avec le commerce.
L‟avènement des réseaux sociaux, des blogs, des sites marchands sollicitant les commentaires
du consommateur, redonnent le pouvoir à l‟acheteur en lui permettant de donner son avis, de
s‟exprimer face aux marques et aux produits. Les acheteurs deviennent plus informés et
exigeants. L‟usage croissant du web mobile a augmenté ce phénomène car le consommateur
peut désormais interagir à tout moment, en tous lieux.
Le web mobile permet de faire le lien entre les magasins physiques et l‟e-commerce :
maintenant le client n‟hésite plus à se connecter à internet sur le lieu de vente et le mobile est
désormais de plus en plus utilisé pour fournir des coupons de réduction en fonction des
enseignes identifiées à proximité du consommateur grâce au GPS intégré dans le Smartphone.
11
VALTECH/Livre blanc « Crossdatamarketing »/page 22 http://www.valtech-
12
VALTECH/Livre blanc/ « Crossdatamarketing »/page 22 http://www.valtech-

16
La combinaison des usages (mobiles, sociaux, géo-localisation, recherche de bons plans…)
annonce une révolution du commerce.
 La capacité d’utiliser ces volumes gigantesques de données.
Ces milliards de données, communément appelées «Big data», sont considérées comme “le
nouvel or noir” du 21ème siècle.
Les précurseurs de l‟analyse de ces «Big data» ont été, comme souvent, de très grandes
entreprises (Google, Yahoo!, opérateurs télécom, institutions financières, grande
distribution…).
La technologie permettant cette analyse est née grâce aux deux acteurs majeurs de l‟internet
Google et Yahoo qui ont du faire face à plusieurs problèmes :
Tout d‟abord celui du volume gigantesque de données à manipuler pour alimenter leurs
moteurs de recherche.
Ensuite la diversité et la complexité des types d‟informations à traiter. En effet les données
peuvent être sous forme de textes, de sons ou encore d‟images.
Le dernier problème était lié à la vitesse d‟exécution des algorithmes de traitement de
l‟information nécessaire pour satisfaire les internautes.
Face à ces enjeux, la gestion de bases de données relationnelles, l‟informatique décisionnelle
et l‟ingénierie statistique traditionnelle n‟étaient plus assez efficaces, et il fallait inventer un
nouveau modèle capable de gérer ces nouveaux problèmes.
Depuis les années 2000 des solutions ont émergées, et leur mise en œuvre est devenue
opérationnelle chez les géants du web tel que Google et Yahoo bien sûr, mais aussi Netflix,
Amazon, Microsoft, Facebook, Twitter… Google a développé sa propre technologie «Big
data», Map Reduce. Oracle, leader dans le domaine des bases de données propose aussi sa
solution NoSQL Database qui est une adaptation commerciale de la solution open source
NoSQL (Not Only SQL) et Yahoo a développé Hadoop. Ces solutions ont clairement ouvert

17
la voie à un nouveau mode de traitement analytique de l‟information, et a permis l‟émergence
du concept marketing de «Big data» dont se sont rapidement emparés les acteurs du marché.
4.2 Définition du «Big data»
On peut identifier le «Big data» par trois critères essentiels: volume, vitesse (ou vélocité) et
variété.
 Volume
Le volume est d'évidence un critère majeur du «Big data». Il représente le poids total des
données collectées mais son évaluation est délicate.
Cet ensemble de données à croissance exponentielle représentait « 1,2 zettaoctets13
en 2010,
puis 2,9 zettaoctets en 2012 et atteindrait les 40 zettaoctets » [13] en 2020 selon les
spécialistes américains.
A titre d'exemple, « Twitter génère actuellement 7 teraoctets de données chaque jour et
Facebook 10 teraoctets » 14
[14].
13
Rappel sur les unités de mesure
1 Ko = 1 kilooctet = mille octets = 10 3
octets
1Mo = 1 mégaoctet = un million d'octets = 10 6
octets
1Go = 1 gigaoctet = un milliard d'octets = 10 9
octets
1 To = 1 téraoctet = un billion d'octets = 10 12
octets
1 Po = 1 pétaoctet = un billiard d'octets = 10 15
octets
1 Eo = 1 exaoctet = un trillion d'octets = 10 18
octets
1 Zo = 1 zettaoctet = un trilliard d'octets = 10 21
octets
E-MARKETING « LE big data » <http://www.e-marketing.fr/Fondamentaux/Le-Big-Data-255/Definition-de-
Big-Data-trois-V-variete-volume-velocite-1076.htm
14

18
 Vitesse
Le deuxième critère concerne la vitesse à laquelle les données sont générées, capturées,
partagées, traitées simultanément. Aujourd'hui les applications sur Internet, les réseaux
sociaux, les objets connectés, produisent des données en permanence, il est impossible
d'arrêter, ne serait-ce qu'un instant, de les collecter, le retard accumulé serait vite impossible à
rattraper.
Pour donner un exemple, en 2012 Twitter comptabilisait 177 millions de tweets par mois,
soit 66 tweets par seconde. De tels volumes imposent de traiter l'information en temps réel.
Le «Big data» consiste donc également à analyser de gros volumes de données dans des délais
très courts, de se rapprocher du temps réel.
 Variété
Ce critère est relatif à l'origine variée des sources de données prises en compte et aux formats
variés des données manipulées.
En effet le «Big data» se présente sous la forme de données structurées ou non structurées
(texte, données de capteurs, son, vidéo, données sur le parcours, fichiers journaux, etc.).
Le «Big data» va donc bien au-delà de la seule notion de volume : il constitue une opportunité
d'obtenir des connaissances sur des types de données et de contenus nouveaux, afin de rendre
l‟entreprise plus agile et de trouver enfin une réponse aux questions laissées en suspens.
Jusqu'à présent, il n'y avait aucun moyen d'exploiter cette opportunité. Aujourd'hui, les
solutions «Big data» des fournisseurs qui ont investi ce marché ont recours aux technologies
les plus pointues et à des solutions d'analyse brevetées, afin d'ouvrir la porte à de nouvelles
possibilités.

19
5 LE CAS PARTICULIER DU « BIG DATA » MARKETING
La direction marketing dans les entreprises se voit confier des responsabilités de plus en plus
larges, que ce soit dans la gestion des campagnes marketing multicanaux, la définition de la
stratégie de commercialisation, ou encore le développement de l‟image de l‟entreprise.
L‟analyse et la mesure des résultats de leurs actions sont devenues des enjeux majeurs de leur
métier.
Le marketing n‟a de cesse de s‟appuyer sur les données client pour élaborer des stratégies
gagnantes. Il analyse, exploite les données relatives aux clients actuels ou potentiels et les
informations de l‟entreprise et, nous l‟avons vu, le volume de ces données augmente de
façon exponentielle. Pour mieux comprendre, anticiper et satisfaire les besoins de leurs
clients, les directeurs marketing doivent tirer le meilleur parti de ces données, le plus souvent
non-structurées, afin de les transformer en renseignements directement exploitables sur les
clients.
L‟analyse de ce gisement de données permet aussi de suivre et de mesurer l‟impact des
décisions prises et de les rectifier rapidement si nécessaire.
Dans ces conditions, il est clair que, de par sa fonction au sein de l‟entreprise, le service
marketing est tout particulièrement concerné par l‟avènement du «Big data».
5.1 Les limites du marketing ancien
A l‟heure du marketing digital, le marketing traditionnel tel que décrit dans le célèbre livre
« le Kotler » peut, en première analyse, sembler relativement dépassé. Comment peut-on
encore penser que le comportement des clients, leurs motivations d‟achat reposent sur des
dimensions uniquement relationnelles ? La réponse à cette question peut sembler évidente
mais la réalité du terrain est tout autre.
Ce marketing est souvent le modèle de référence des annonceurs influencés par l‟école
marketing Procter et Gamble et il reste efficace sur de nombreux marchés où l‟offre est
banalisée et conditionnée par un gros investissement média.

20
 La segmentation traditionnelle est perfectible.
Dans le marketing traditionnel, la segmentation client est définie en analysant l‟historique
des transactions du consommateur. Cette méthode ne prend pas en compte le fait que la
décision d‟achat est influencée par des désirs, des valeurs, des préférences plus que par une
décision ou un choix rationnel ou utile. « L’université DUKE a récemment publié une étude
dont la conclusion est sans appel : 45% de nos achats sont influencés par nos croyances, nos
préférences, notre réseau d’influence et non nos habitudes de consommation !15
»[15]
La segmentation dite RFM, récence-fréquence-montant, souvent utilisée pour définir un
modèle prédictif de l‟acte d‟achat fait reposer également son analyse sur des critères
rationnels tels que la date du dernier achat, la fréquence d‟achat, le montant moyen sur une
période donnée. Les entreprises ne peuvent plus se contenter d‟analyser l‟acte d‟achat dans
une optique de prédiction sans tenir compte des données riches et abondantes qui sont
disponibles.
 Le changement de consommation est un autre facteur qui affecte les bases
du marketing classique.
Le consommateur de masse des trente glorieuses n‟est plus d‟actualité, le consommateur
moderne adopte de nouveaux comportements d‟achats grâce à internet et à l‟essor des NTIC
et en phase avec l‟évolution de la société. Des nouveaux courants de consommation sont
apparus tels que le commerce équitable ou encore collaboratif : le client est de plus en plus
responsable et engagé, il ne consomme plus uniquement pour s‟équiper ou répondre à des
besoins primaires. Ce changement sociologique bouleverse la consommation de masse, les
facteurs de décisions sont influencés par des attitudes morales ou politiques.
 L’utilisation excessive de la notion de moyenne.
Le marketing afin d‟évaluer la valeur future de la clientèle, extrapole à l‟aide de moyennes
basées sur les chiffres réalisées dans les années précédentes et en se basant sur les indices
économiques actuels puis utilise ces données pour la mise au point des futures stratégies.
15
] BRUNO TEBOUL/juillet 2013/l‟absolu marketing/page 152

21
Cette analyse peut permettre de repérer des clients encore peu rentables qui ont le potentiel de
le devenir, mais difficilement de déceler d‟autres informations. Les « spécialistes » continuent
à parler d‟utilisateur moyen ou de foyer lambda pour cerner leurs cibles. Ils se basent toujours
sur leurs intuitions, alors que l‟exploitation des données du «Big data» permet de nouvelles
perspectives : ne plus cibler une moyenne, mais la réalité en temps réel dans toute sa diversité
et son dynamisme.
 Les limites du webmarketing.
L‟avènement du web et des nombreux nouveaux terminaux permet au marketing de repenser
la relation client et ses stratégies de communication. En effet, par exemple, le webmobile
permet de mieux cibler sa clientèle et de proposer des offres personnalisées. Les marketeurs
utilisent donc chacun de ces nouveaux médias pour les investir de campagnes publicitaires, de
jeux, de sondages etc… et le client, au final, se retrouve inondé de messages publicitaires,
qui, par un phénomène de rejet, risquent d‟être perçus comme autant de spams.
Cette trop grande sollicitation des internautes ne fait alors que renforcer l‟imperméabilité des
consommateurs à la publicité.
Le marché de la publicité a atteint une véritable saturation ces dernières années : les agences
de publicité ont en effet fortement incité leurs clients à renforcer leur image de marque.
« Pendant ce temps, nous sommes exposés à l’équivalent de deux millions d’annonces à la
télévision durant notre vie. C’est comme regarder 8 heures de publicité par jour, 7 jours sur 7
pendant 6 ans.16
» [16]
Dans ce contexte, il devient urgent d‟améliorer la pertinence des messages émis !
16
Le CERCLE « Big ads deluge publicitaire » <http://lecercle.lesechos.fr/entreprises-marches/high-tech-
medias/internet/221166922/big-ads-deluge-publicitaire

22
5.2 Naissance du marketing prédictif.
Suite à ces nombreux constats sur les mutations de la société et l‟inefficacité croissante des
pratiques marketings traditionnelles, une nouvelle forme de marketing a émergé : le marketing
prédictif.
Comme on a pu le voir précédemment, l‟afflux des données non structurées va prendre le pas
sur les données structurées. « L’humanité produit aujourd’hui en deux jours autant de
données qu’elle en a produites de ses origines jusqu’à 2003 » et « 80% des données issues
des réseaux sociaux sont non structurées (texte, audio, vidéo) »17
[17]. Afin de profiter des
possibilités offertes par l‟essor d‟internet et des réseaux sociaux, les entreprises doivent
aujourd‟hui se doter d‟outils d‟analyse leur permettant de décortiquer tout ce qui se passe sur
la « toile ».
Auparavant c‟était grâce à des techniques d‟aide à la décision que les sociétés ont pu
optimiser leurs stratégies de développement. Ces applications ont été améliorées et au cours
de ces dernières années afin de mieux exploiter les données dont disposent les entreprises et
leur permettre de prendre des choix stratégiques. Ces logiciels décisionnels étaient à la base
utilisés dans les domaines importants tels qu‟en finance et la banque, le contrôle de gestion ou
encore les directions commerciales ou la politique, mais ils se sont finalement avérés être très
adaptés pour les services marketing. Cependant cet instrument marketing débute lui aussi à
manquer d‟efficacité dans la situation économique incertaine actuelle. En effet ces logiciels
d‟aide à la décision ont pour vocation historique d‟analyser le passé et le présent grâce à des
données d‟achats, en vue d‟établir des constats permettant de prendre des décisions d‟avenir.
Mais l‟inconvénient de ces applications est qu‟elles se concentrent essentiellement sur les
actes d‟achats passés et présents ce qui ne leur permet pas de fournir des analyses
prévisionnelles aussi précises que les nouveaux outils exploitant la richesse des « Big data ».
17
LIBERATION « données le vertige » <http://www.liberation.fr/economie/2012/12/03/donnees-le-
vertige_864585

23
 Définition
Le marketing prédictif peut se définir par une analyse, des comportements voulus ou non
voulus par le consommateur, visant à trouver des relations permettant de tirer des conclusions
et de mettre en œuvre des actions marketing répondant aux objectifs établis.
Ce nouveau concept marketing tient ses fondements sur une fine connaissance du client pour
traduire cela en véritable avantage compétitif pour les entreprises. Dans cette perspective, les
entreprises font en sorte d‟optimiser la valeur de chaque client en étudiant leur potentiel, pour
pouvoir ainsi créer le plus de valeur possible. En effet, faisant une analyse poussée des
comportements des consommateurs, il est possible d‟établir des tendances fortes qui
permettent d‟anticiper le futur en prédisant les comportements à venir.
.A partir des nombreuses données en leur possession, les sociétés vont alors pouvoir établir
des modèles basés sur des techniques mathématiques et statistiques qui permettront d‟établir
la probabilité de certains événements à se produire. C‟est le plus souvent grâce à l‟utilisation
de la méthode de scoring que les modèles permettent de prédire ce qui a le plus de
probabilités de se produire. En réalité, le modèle prédictif va affecter des scores plus ou moins
élevés aux clients en fonction de la requête faite. Le scoring permet de mettre en évidence les
risques potentiels pour essayer de les transformer en opportunité.
Pour ce qui est d‟internet, c‟est essentiellement par la navigation, les moteurs de recherche et
les clics sur les publicités que passe la collecte de données pouvant être exploitées par
l‟analyse prédictive pour établir des corrélations comportementales avec les modèles. Le
traçage du consommateur se fait quant à lui le plus souvent grâce aux cookies.
En revanche, cela se complique un peu lorsqu‟on aborde la question des réseaux sociaux.
Les applications d‟analyse prédictive aidées des nouvelles technologies de « Text Mining »
permettent d‟analyser le contenu d‟une multitude de conversations afin de modéliser toutes
ces précieuses informations et de les transformer en avantage concurrentiel. En effet, ces
outils de plus en plus sophistiqués parviennent même à retranscrire les émotions contenues
dans les conversations pour les exploiter à l‟aide des méthodes prédictives.

24
 Objectifs
Le marketing prédictif cherche à faire de la connaissance client un véritable atout pour
affronter un univers très concurrentiel car l‟optimisation de la valeur client est l‟un des
points centraux pour stimuler les ventes et créer du revenu pour l‟entreprise.
Le véritable défi du marketing prédictif est finalement de savoir quel produit offrir, à quel
client, à quel moment et à quel prix et cela passe par une fine connaissance des
consommateurs sur le marché.
De fait, avec cette nouvelle conception du marketing, on vise à optimiser les retombées des
campagnes marketing en procédant à un ciblage très précis des consommateurs pour chaque
campagne.
Améliorer l’efficacité des campagnes
Grâce à ces méthodes de prédiction, les entreprises connaissent parfaitement leurs clients. De
cette manière il leur est possible de personnaliser leurs offres, en passant par un ciblage précis
des individus, des produits ou des services, des canaux de distribution et de communication et
en déterminant le moment opportun pour prospecter chacun de ces clients potentiels. Ainsi les
taux d‟acceptation des offres sont bien plus importants qu‟avec les techniques traditionnelles.
L‟entreprise gagne donc de nouveaux clients et génère plus de revenus.
Plus encore qu‟augmenter les revenus de l‟entreprise, ces campagnes marketing très ciblées
permettent de réaliser des économies. Effectivement, en opérant un ciblage très fin des
campagnes, la modélisation prédictive permet de réduire leurs coûts, car cela réduit
considérablement le nombre de personnes auxquelles on fait parvenir les offres. Les
économies réalisées peuvent alors être réinvesties pour d‟autres campagnes.
L‟analyse prédictive crée ainsi une sorte de circuit fermé de croissance pour l‟entreprise. En
effet les campagnes ciblées permettent de faire des économies, d‟améliorer les taux de retours,
et d‟augmenter les revenus.

25
Améliorer le ciblage, les besoins
L‟analyse prédictive joue un rôle majeur dans la gestion de la relation client en permettant
ainsi aujourd‟hui à une entreprise de soumettre des offres parfaitement ciblées et adaptées au
client auquel elles s‟adressent. En effet, par le biais du scoring, les modèles prédictifs
induisent quel produit ou service doit être proposé à tel client et à quel prix.
Aujourd‟hui avec l‟analyse prédictive, l‟entreprise peut mieux définir sa clientèle et mieux
identifier ses besoins cachés. Le principe est d‟utiliser la masse de centaines de millions
d‟informations collectées ou acquises par l‟entreprise et publiques comme des indicateurs
sociaux ou économiques, pour en faire ressortir des indicateurs ayant de la valeur ajoutée :
Croiser par exemple des événements météo, sportifs, avec des comportements d‟achat … On
détecte les variations, les récidives, les doublons, les corrélations cachées. Le « data
analytics » fait émerger des phénomènes parfois contre-intuitifs comme par exemple, pour un
magazine, découvrir que « le nombre de femmes qui bricolent, qui aiment le foot et la
musique rock » constituent une de ses cibles de clientèle.
Pour ce qui est de la prospection une entreprise dotée de la technologie capable de décoder les
informations disponibles via les réseaux sociaux s‟ouvrent alors un grand champ de
possibilités. Avec le contenu des conversations elle peut repérer d‟éventuels prospects et
cibler des personnes présentant de l‟intérêt pour la marque ou ses concurrents. Grâce aux
tendances et aux relations définies par la modélisation, elle est capable de personnaliser
l‟offre à proposer à un prospect en vue de maximiser ses chances de le compter parmi ses
clients. Et enfin en analysant ce qui se dit à son sujet et les émotions transmises par ses offres,
une marque peut faire évoluer son image de façon subtile et sincère pour gagner la confiance
des consommateurs.
Grâce au scoring prédictif de « churn », les entreprises sont en mesure d‟identifier les clients
présentant un fort risque d‟attrition, autrement dit de partir à la concurrence. La stratégie de
rétention de clients n‟est pas incompatible avec une stratégie de développement. En effet il
paraît évident qu‟en incitant le client à acheter de nouveaux produits ou services, on prolonge
de fait, la relation que l‟on entretient avec lui. Ainsi, en essayant de développer les ventes
additionnelles, l‟entreprise peut espérer diminuer son taux d‟attrition, à condition que les
produits ou services proposés soient parfaitement ciblés. Dans cette optique, il s‟agit alors
d‟agir sur les quantités achetées, sur les ventes croisées ou encore sur le niveau de gamme.
Pour ce faire il faut donc identifier grâce aux modèles prédictifs, l‟appétence que pourrait

26
avoir un client pour des produits ou services différents, dans le cadre de ventes croisées, ou
plus sophistiqués et élaborés, dans le cadre d‟une montée en gamme .
De plus, avec le développement progressif des données ouvertes, plus communément appelées
l‟Open Data, de nouvelles perspectives s‟ouvrent aux entreprises. Les entreprises sont de plus
en plus intéressées par le réflexe Open Data. L‟Open Data, comme son nom l‟indique,
consiste à partager ses données numériques. En France par exemple, la SNCF a mis une
partie de ses données en libre accès, pour que tout le monde puisse les consulter et les
réutiliser.
Libérer les données offre de nombreux avantages aux entreprises. Premièrement, une
entreprise est une grande productrice de données, et aussi une grande consommatrice. Cette
dernière ne peut survivre sans données, et les différents processus qui lui servent à traiter ces
données, et à les réutiliser différemment selon ses propres besoins, coûtent de l‟argent.
En effet, si l‟entreprise rend publics ses données, des tierces personnes pourront les réutiliser,
les traiter ou même les intégrer à des applications intelligentes qui peuvent servir au grand
public, et aussi à l‟entreprise elle même qui pourra en profiter en diminuant ses couts de
traitement.
Deuxièmement, libérer ses données, améliorerait l‟image de l‟entreprise en faisant preuve de
transparence auprès de son public.
Troisièmement, l‟ouverture des données des entreprises peut être avantageuse aux entreprises
elles mêmes, en exploitant les données mises en ligne par d‟autres.
Néanmoins, il faut relativiser le phénomène, car celui-ci est encore loin d‟être généralisé à
toutes les entreprises et tous les types de données. Il est bien entendu que, dans un univers
extrêmement compétitif, partager des données précieuses sur ses clients peut revenir à perdre
son avantage concurrentiel. C‟est pour cela qu‟aujourd‟hui les entreprises restent encore très
réticentes à cette pratique.
Du marketing prédictif au marketing en temps réel
Avec le «Big data», le marketing analytique apporte une dimension temps nouvelle : le
marketing prédictif se nourrit d‟historiques de données volumineux mais permet également et
de plus en plus, de remonter en continu et en temps réel l‟information. Cela permet de
proposer et d‟ajuster des propositions commerciales en instantané par exemple en proposant à

27
l‟internaute des produits en fonction de ses recherches ou en lui proposant le bon produit
complémentaire.
Ces analyses peuvent aussi devenir de puissants leviers pour optimiser les prises de décisions.
Par exemple, là où l‟entreprise relançait une commande lorsque que les stocks étaient au seuil
de réapprovisionnement, celle-ci le fera dorénavant tenant compte des prévisions des futurs
actes d‟achats de ses clients.
Acquisition de nouveaux leads
La prédiction peut permettre aussi de découvrir de nouveaux leads, Une étude de CSO Insight
réalisée auprès de plus de 1200 décideurs, met en relief un fossé entre marketing et forces de
vente. « Le marketing, censé transmettre des leads qualifiés aux commerciaux, n’en fournit
dans les faits que 30%. Si 65% des répondants identifient l’acquisition de prospects comme
leur grande priorité, 68% admettent éprouver des difficultés pour générer du lead qualifié.
Résultat : en 2012, moins de deux tiers des commerciaux seulement ont atteint leurs
objectifs.18
» [18]
Les «Big data» combinées à l‟analyse prédictive peuvent combler cet écart d‟efficacité (les
70% manquants) dans le processus de génération de leads. En recoupant et en analysant des
données internes (CRM, historiques d‟achat, …) et externes (médias sociaux), elles révèlent
ce que personne ne voit : des signaux d‟achat. Cette vision sur les intentions d‟achat facilite et
accélère l‟identification des contacts affichant la plus forte propension à l‟acquisition.
Les données mises en valeur par l‟analyse prédictive lancent donc une nouvelle passerelle
entre marketing et ventes : une raison de plus pour les départements marketing des entreprises
d‟investir dans un projet «Big data».
18
BUSINESS ANALYTICS « le duo big data et analyse prédictive optimise la génération de leads »
<http://business-analytics-info.fr/archives/4555/le-duo-big-data-et-analyse-predictive-optimise-la-generation-de-
leads/>

28
6 EXEMPLES DE MISE EN ŒUVRE DU « BIG DATA » MARKETING
Le «Big data» est un terme à la mode !
Pour s‟en convaincre, il suffit d‟exécuter une requête sur Google Trends.
On voit ainsi que, depuis janvier 2011 le nombre de requêtes Google effectuées en France
portant sur le terme «Big data» est tendanciellement à la hausse (cf graphique ci-dessous).
La région parisienne, comme l‟on pouvait s‟y attendre est celle où cet intérêt porté aux «Big
data» est le plus grand.
Au-delà du bruit médiatique, qu‟en est-il réellement sur le terrain ?
Y-a-t-il déjà des projets «Big data» concrets en France dans le domaine du marketing? Si oui,
quels résultats ont-ils donnés ?

29
Cette partie du présent document vise à présenter certains d‟entre eux afin d‟évaluer la réalité
et l‟efficacité de cette nouvelle démarche.
Nous allons voir successivement les réalisations concrètes en ce domaine des sociétés
PriceMinister et Critéo puis nous parlerons de quelques nouvelles offres qui existent ou se
profilent dans ce domaine.
Pour donner une vision plus nuancée de l‟état des lieux, nous ferons part aussi des quelques
interviews réalisés qui nous ont permis de constater que toutes les entreprises ne sont pas
obligatoirement concernées par les projets «Big data» ou ne se sont pas encore lancées.

30
6.1 Le cas PriceMinister
Cette première présentation d‟un cas concret est issue des informations présentées lors d‟une
table ronde qui s‟est tenue le jeudi 29 janvier 2013. Elle rassemblait plusieurs acteurs du «Big
data» dans le domaine du marketing en France et visait à dédramatiser la complexité de ce
type de projets et de montrer des réalisations concrètes et les résultats obtenus.
La table ronde présentant le projet de PriceMinister, animée par Mme Lubomira Rochet,
Directrice générale de Valtech France, réunissait Mme Odile Szabo, marketing manageur
chez PriceMinister et Mr David Bessis, président de Tinyclues, une entreprise spécialisée
dans le traitement des données en vue de répondre à des problématiques business.
« Cette table ronde, ainsi que l’ensemble du séminaire, sont consultables sur une vidéo
réalisée et mise en ligne par le groupe de conseil VALTECH.19
» [19]
.
 La problématique de PriceMinister
L‟essentiel du business réalisé par PriceMinister est effectué avec ses abonnés. La base
d‟abonnés qui comporte plusieurs millions d‟adresses est donc la valeur principale de cette
entreprise. PriceMinister traditionnellement poussait des offres commerciales élaborées par
ses services commerciaux puis négociées par son service achats, en envoyant toutes les
semaines des newsletters thématiques à des sous-ensembles larges de la base d‟abonnés
obtenus en utilisant des méthodes de segmentation traditionnelles.
Depuis peu PriceMinister souhaite commercialiser des produits issus de marchands
professionnels désirant écouler des produits de déstockage à des prix défiants toute
concurrence pendant une période très brève.
L‟utilisation des newsletters thématiques pour écouler ce genre d‟offres s‟est avérée
contreproductive : L‟entreprise a constaté progressivement une baisse du taux d‟ouverture des
newsletters et même une augmentation du taux de désabonnement.
19
YOUTUBE « tour de table sur le big data » <https://www.youtube.com/watch?v=BVySsQLIva4>

31
En effet le client ne souhaite pas que sa boite mail soit inondée d‟offres qui ne lui
correspondent pas. Fidéliser un client étant moins couteux que d‟en conquérir un nouveau,
diminuer le taux d‟attrition de ses abonnés était devenu un défi majeur pour cette entreprise
qui mise la plupart de son commerce sur la valeur marchande de ses abonnés.
L‟enjeu majeur de cette d‟entreprise était de mieux cibler sa clientèle : Il a été décidé de
diffuser les offres de déstockage non plus à travers les newsletters thématiques envoyés à
plusieurs millions d‟abonnés mais via des mails finement ciblés en fonction du produit
spécifique à écouler, adressés à quelques centaines de milliers de personnes seulement.
Dans l‟exemple concret présenté PriceMinister devait écouler un stock de deux jeux vidéo
dans un lapse de temps réduit. Ces deux jeux s‟adressaient à des publics différents, une
segmentation globale « jeux vidéos » ne suffisait pas.
L‟enjeu était de réaliser une campagne d‟e-mailing extrêmement ciblée afin d‟optimiser les
taux d‟ouverture des mails, les taux de clic et de générer un chiffre d‟affaire par envoi
supérieur aux newsletters.
Pour cela l‟entreprise a choisi d‟adopter une solution «Big data» et d‟en confier la réalisation
technique à un prestataire externe, l‟entreprise Tinyclues.
 La solution «Big data»
Dans une première étape, l‟entreprise PriceMinister a du transmettre l‟ensemble de ses
données structurées et non structurées au prestataire: les données utilisateurs, les données
comportementales, les données produits, les données de navigation sur le site, les données de
recherche, les données de newsletter (ouverture, clic,..) etc…
Ensuite le prestataire a regroupé l‟ensemble de ces données venant d‟outils et de sources
différentes, pour certaines externes, et a travaillé à les interconnecter entre elles.
Le but est d‟identifier des objets business et d‟en dresser une cartographie, c'est-à-dire
d‟évaluer en quelque sorte une distance entre ces objets.
Ce travail est le vrai savoir-faire du prestataire mettant en œuvre le projet «Big data». La
complexité mathématique et technique de cette partie du chantier n‟est pas répercutée sur le

32
donneur d‟ordre qui peut ainsi s‟exprimer vis-à-vis de lui uniquement en termes de besoin
marketing.
Le projet a suivi une démarche itérative et pragmatique.
L‟entreprise après avoir réalisé le « mapping » des données peut identifier les cibles
susceptibles d‟être intéressées par l‟offre spécifique.
Une première réalisation permettant d‟effectuer des tests et de mesurer des premiers résultats
s‟est effectuée assez rapidement c'est-à-dire dans un délai d‟un mois.
Le modèle a ensuite été optimisé puis le système a été utilisé en vrai grandeur pour distribuer
des produits de déstockage.
 Résultats et conclusion.
Tyniclues est capable désormais en quelques heures de déterminer la population à cibler en
fonction du type de produit à vendre. PriceMinister peut aussitôt pousser des emails dans la
journée.
En pratique, il a été constaté une réalisation de chiffre d‟affaire 5 à 10 fois supérieure à celle
obtenue précédemment via les newsletters. Le chiffre varie essentiellement en fonction de la
richesse des données disponibles pour le produit à distribuer.
Le résultat est donc une réussite et démontre, chiffres à l‟appui, la validité du concept de «Big
data» lorsque l‟on cherche à mieux cerner les intentions d‟achat du client.
PriceMinister est bien décidée à poursuivre dans cette démarche et une nouvelle étape du
projet, visant à un plus grande automatisation du processus, est prévue : elle permettra aux
agents marketing de PriceMinister, par exemple, de déposer eux même les caractéristiques du
produit à vendre dans l‟outil du prestataire et le système, après avoir déterminé
automatiquement la population à cibler sera à même d‟envoyer directement les mails.

33
6.2 Le cas Criteo
La société Criteo est une société française spécialisée dans la publicité internet dont le modèle
économique est entièrement basé sur l‟utilisation du «Big data». Sa réussite est donc une
excellente démonstration des apports de cette technologie dans le domaine du marketing
prédictif.
 La problématique
La publicité sur internet est omniprésente lorsque l‟internaute effectue des recherches que cela
soit sur les réseaux sociaux, les blogs, les moteurs de recherche, les boites mails ou encore les
sites spécialisées. Le monde de l‟internet est en effet le plus souvent basé sur la gratuité des
outils ou des informations mises à la disposition des internautes. Les sites de contenu ou
fournissant un service n‟ont alors pas d‟autre source de revenus que la publicité. Dès lors, les
bannières et autre moyens publicitaires sont omniprésents tout au long du parcours de
navigation de l‟internaute.
Le taux d‟achat par rapport aux taux de clic ou aux pages visitées reste cependant très
bas. « Les bannière affichées sur un site seront cliquées moins d’une fois sur cent par
l’internaute qui visite la page ». « Et sur ces clics, moins de 15 % mènent à un achat ».20
[20]
L‟internaute utilise actuellement plus internet comme un outil de renseignement et de
comparaison que comme moyen d‟achat. Ce phénomène de la faiblesse du taux de clic peut
être aussi intensifié par la multitude de publicités proposées et l‟agressivité de certaines
d‟entre elles qui agace le consommateur (publicité s‟affichant par exemple en plein écran, …).
Cependant, Internet malgré les limites observées est un média ayant un avantage sans
précédent pour les entreprises, il est le média qui permet le mieux d‟analyser et de mesurer les
audiences et ses caractéristiques. L‟attraction et la rentabilité de ces publicités étant très
rapidement mesurables, utiliser ce média s‟avère être un investissement peu risqué du point de
vue des annonceurs. Maitriser les retombées financières de ses campagnes publicitaires
devient un avantage business significatif pour les entreprises mais optimiser la performance
de ce type de publicité nécessite un réel investissement et savoir-faire.
20
Paris Tech/Quel avenir pour l‟union européen/février 2013/page 35

34
La start-up Criteo a décidé d‟en faire son business, en se spécialisant dans la réalisation de
bannières publicitaires personnalisées. Le cœur de son métier est de faire du reciblage
(retargeting) dont l‟objectif est de proposer des publicités susceptibles de plaire à l‟internaute
durant ses visites.
Grace aux technologies «Big data», la publicité montrée est personnalisée : elle s‟adapte en
temps réel à la personne qui navigue sur Internet : Deux personnes ne verront pas la même
publicité sur la même page comme une même personne ne verra pas nécessairement la même
publicité quelques instants plus tard.
Source Criteo
En règle générale, à chaque clic sur une bannière de publicité, le détenteur du site affichant
cette publicité, perçoit une rémunération.
D‟un côté les annonceurs désirent inciter le plus d‟internautes possible à venir découvrir leur
site marchand, de l‟autre, les sites de contenu veulent développer leurs revenus en augmentant
leur taux de clics sur les bannières de publicité qu‟ils affichent.
Criteo jour le rôle d‟intermédiaire en se plaçant au milieu de ces deux types d‟acteurs.

35
 Le rôle et le modèle économique de Criteo
Criteo, pour chaque publicité, sélectionne les sites de contenu les plus adaptés en fonction de
la nature du message publicitaire à diffuser et, ensuite, cible les internautes les plus
susceptibles d‟être intéressés par cette publicité. Le but est d‟obtenir le taux de clic optimal.
Tout ceci est fait en utilisant les technologies «Big data».
Criteo dispose en effet des masses d‟informations fournies par ses divers clients annonceurs et
par les traces laissées sur internet par les internautes. Des informations d‟environnement
(météo, période de l‟année) sont aussi prises en compte après avoir constaté que ces
paramètres ont une influence sur l‟attractivité de certains sites ou gamme de produits.
Les informations accumulées lui permettent aussi de mesurer l‟impact de certains
comportements des internautes. Par exemple est-il judicieux de représenter à nouveau une
bannière à un internaute qui est déjà passé sur une page l‟affichant et qui ne l‟a pas cliquée ?
Une fois, par exemple, la décision prise de réafficher la bannière, les technologies «Big data»
mises en œuvre permettent de démarrer la mise en pratique de cette décision sur un petit sous
ensemble du trafic internet afin de valider complètement le choix avant généralisation à
grande échelle .
Criteo a ainsi développé au cours du temps un savoir-faire et une infrastructure lui permettant
d‟utiliser en temps réel et efficacement les masses importantes de données aux quelles il a
accès. Comme souvent en ce qui concerne le «Big data», le volume des données et le savoir-
faire accumulés par les acteurs en place constituent des barrières quasi infranchissables pour
les nouveaux entrants éventuels sur le même marché.
Une difficulté particulière de ce travail est en effet liée à l‟aspect temps réel : Criteo est
présent sur des plates-formes d‟enchères (Real TimeBidding) auxquelles participent d‟autres
annonceurs.
En pratique, chaque fois qu‟un internaute visite un site souhaitant afficher des publicités, ce
dernier s‟adresse à la plate forme d‟enchères et sélectionne l‟annonceur le mieux disant.
Criteo est capable de proposer en quelques millisecondes un prix fonction de la probabilité du
clic du visiteur sur la bannière publicitaire en tenant compte de la nature du site visité et des
particularités du parcours de l‟internaute.

36
Point très important qui démontre l‟efficacité de la solution «Big data» mise en œuvre par
Criteo : Criteo se différencie des autres annonceurs dans la façon de séduire les éditeurs.
Plutôt que de proposer un prix au clic,une rémunération à la performance, l‟éditeur est
rétribué chaque fois qu‟il montre la publicité, rémunération à l‟impression.De son côté,
l‟annonceur, lui, rétribue toujours Criteo à la performance.
Dans ce système, c‟est donc Criteo, qui sûr de sa solution, assume les risques, charge à lui
d‟en tirer le meilleur rendement.
Un annonceur connait facilement l‟origine des internautes qui arrivent sur son site et peut
ainsi mesurer précisément et quotidiennement l‟attractivité et la rentabilité de ses campagnes
publicitaires. Il peut à tout moment décider d‟arrêter une campagne publicitaire. Dans la
plupart des cas, en pratique, l‟annonceur observe un plus grand nombre d‟achats pour un
même nombre de visites, qui s‟explique par le ciblage opéré par Criteo grâce à ses modèles de
prédiction. Dans 97% des cas la campagne publicitaire va à son terme, preuve supplémentaire
de la pertinence de la solution «Big data» de Criteo.
 Résultats obtenus par Criteo
La réussite économique de Criteo démontre la pertinence des solutions «Big data» dans le
domaine du marketing predictif.
Criteo, société française forte de 800 personnes et présente dans 32 pays, affiche en effet
plusieurs centaines de millions de bannières par jour pour 3000 clients.

37
6.3 Les grands acteurs croient en l’avenir du «Big data»
Les chapitres précédents, à travers deux mises en œuvre concrètes (PriceMinister, Criteo) ont
permis d‟illustrer l‟efficacité des solutions «Big data» dans le domaine du marketing.
Une autre façon d‟apprécier l‟avenir de ce type de solutions est de montrer la valeur attribuée
aux données par les grands acteurs du marché.
Le sujet est vaste, deux points significatifs sont détaillés ci-dessous à titre d‟exemple : l‟offre
« Universal analytics » de Google et la mise en ventes des données par certaines grandes
sociétés.
L‟étude de ces exemples permet de montrer que le phénomène «Big data» n‟est pas
seulement la dernière solution à la mode, il y a des réels enjeux économiques à la clé : si les
données extraites de l‟activité internet sont autant valorisées, c‟est que, bien utilisées, elles
peuvent rapporter beaucoup.
 Google : une société basée sur les données
Annoncée par Google à ses partenaires en octobre dernier, l‟arrivée du produit « Universal
Analytics » démontre, une fois de plus que Google est la société qui, plus que toute autre, a
parfaitement compris la valeur que pouvait avoir les grandes masses de données accumulées
dans le domaine du suivi du comportement des prospects et clients.
« Universal Analytics » : de quoi s’agit-il ?
Avec de toutes nouvelles fonctionnalités par rapport à la précédente version dénommée
« Analytics », Google propose désormais un outil sophistiqué et accessible pour analyser
l‟ensemble de l‟écosystème marketing et commercial.
« Universal Analytics » ne se limite plus en effet à analyser les données de navigation Web.
Ce nouvel outil permet d‟intégrer des statistiques issues du offline telles que les transactions
en magasin ou les appels au call center.
L‟outil doit aussi permettre de suivre un client ou prospect de façon individualisé pendant
l‟intégralité de son parcours online et offline (le procédé technique qui va permettre à Google
d‟identifier de façon unique les internautes reste à ce jour inconnu).

38
En bref, il s‟agit d‟un outil permettant d‟optimiser sa stratégie multicanal, de développer
l‟acquisition client et d‟améliorer la conversion des internautes en clients, numériques ou
physiques.
Dans le domaine de l‟analyse marketing, « Universal Analytics » est clairement un premier
pas vers le «Big data», premier pas que l‟on peut s‟offrir rapidement et à moindre frais
puisque ce produit est offert « gratuitement » par Google.
Universal Analytics se montre particulièrement utile lorsqu’il s’agit d’analyser non seulement
l’activité Web mais l’ensemble du cycle d’achat client. Quelques exemples permettront de
mieux comprendre l’apport de ce nouvel outil21
[21]
L‟intégration des données issues du call center : Grâce à une adaptation du programme
informatique de suivi sur l‟outil CRM, des données telles que le sujet de l‟appel, la durée, les
transactions ou les coûts associés peuvent être gérées dans « Universal Analytics ». Ces
informations permettent d‟avoir une analyse plus fine de la rentabilité du centre d‟appel, en
mesurant les actes d‟achat finalisés par le client ayant été en contact avec le call center.
La prise en compte des conversions magasin des clients utilisant leur carte de fidélité :
Cette approche permet d‟offrir une vision consolidée du ROI d‟un site en intégrant le offline.
C‟est aussi un véritable levier d‟amélioration des parcours client dans une optique de drive to
shop.
La personnalisation des campagnes online : Universal Analytics permet d‟identifier tous les
internautes qui se sont déjà logués une fois. Il est alors possible de déclencher des campagnes
personnalisées en fonction du parcours de navigation. On peut, par exemple, envoyer un email
promotionnel ciblé à un Internaute qui a visité plusieurs fois la section „promotion‟ d‟un site
si l‟on considère que ce client a une attirance spéciale pour les prix bas.
21
KELEY CONSULTING « Google universal analytics » <http://www.keley-consulting.com/nouveaux-
usages/Google-Universal-Analytics-Big-Data>

39
Pourquoi ce nouvel outil est il diffusé « gratuitement » ?
On l‟a bien compris, l‟intérêt de Google n‟est pas de faire du chiffre d‟affaires sur son outil de
tracking, mais de garder sa position dominante sur le marché publicitaire.
Avec sa nouvelle solution « Universal Analytics », Google n‟oublie pas que pour vendre plus
d‟espaces publicitaires sur son propre réseau, il doit tout faire pour en démontrer la rentabilité
aux annonceurs. Sa solution «Big data» est là pour cela.
En outre, en utilisant ce nouveau produit, les entreprises sont amenées à fournir à Google de
plus en plus de données. Google, société à l‟origine des technologies et solutions «Big data»,
a parfaitement compris que ces données ont de la valeur : plus Google est riche en données,
plus ses services sont performants, plus ses revenus publicitaires augmentent et plus sa
position est dominante et inexpugnable.
 Les traces laissées sur internet ont une valeur marchande
Après un récent changement de ses conditions d'utilisation, la banque Barclays se réserve le
droit de vendre un agrégat d'informations à propos de ses utilisateurs à des entreprises tierces
à partir d'octobre 2013. "Ces informations seront quantitatives et non personnelles, et vous ne
pourrez pas être identifiés sur la seule base de celles-ci", précise la banque. Les utilisateurs ne
pourront pas refuser que leurs données soient partagées.
En France, SFR a annoncé la commercialisation prochaine de ses données géo-localisées. Les
données collectées par l'opérateur puis « anonymisées », pourront ainsi renseigner les
entreprises sur la fréquentation d'un lieu.
Orange se place également comme un fournisseur de "volumes très importants de données,
rendues anonymes, agrégées et sécurisées".
Tout ceci est la preuve qu‟il y a un marché : les entreprises commencent à comprendre quels
bénéfices elles peuvent tirer de l'analyse de ces données …… ou de leur vente !

40
6.4 Le «Big data» n’est cependant pas encore généralisé
Les solutions «Big data» dans le domaine du marketing prédictif existent, elles sont, comme
vu précédemment rentables, les données permettant de mettre en œuvre ces solutions ont une
vraie valeur … mais nous n‟en sommes encore qu‟au début de la généralisation de ce
phénomène.
Pour preuve de cela, plusieurs sociétés contactées n‟ont pas encore initialisé une démarche en
ce sens.
 L’Oréal
George-Edouard Dias, Digital Business de L‟Oréal S.A. a pour mission et objectif de
renforcer l‟utilisation d‟internet par L‟oréal et d‟améliorer ainsi trois domaines :
communication et publicité,
processus de vente,
découverte et mise en œuvre de nouvelles activités.
A ce jour, en effet, les contacts pris avec la direction de L‟Oréal coiffure nous ont montré que
le « Big data» » n‟est pas un projet planifié au sein de cette société. Cela illustre sans doute
aussi le fait que les sociétés travaillant en « B to B » sont à ce jour nettement moins
concernées par le phénomène « Big data» que celles en contact avec le grand public et
réalisant une part significative de leur chiffre d‟affaire via internet.
 Barclays Banque
Les banques détiennent de nombreuses données concernant leurs clients et ces informations
sont très riches et confidentielles.
Le secteur bancaire est ultra concurrentiel et détient un fort taux d‟attrition, le «Big data» est
déjà utilisé pour contrôler les fraudes et, à priori, il pourrait permettre aussi d'apprécier plus
finement le comportement des clients à travers leur consommation bancaire et non bancaire
et d'adapter ainsi les offres au plus près de leurs attentes.

41
Dans ce marché très mature, les banques ont notamment à cœur de ne pas laisser des clients
partir à la concurrence. Or, l‟utilisation de moyenne pour le lancement de campagnes
marketing est d‟autant plus faussée que la notion de client moyen n‟existe pas dans le secteur
bancaire. Dans ce contexte, le «Big data» pourrait devenir un des leviers d'action immédiats
afin de renforcer la satisfaction des clients et devenir un levier de croissance.
Le «Big data» permet en effet, en croisant de multiples données micro- et macro-
économiques (transactions bancaires, code postal, taux de chômage…), d'identifier des
groupes de clients aux caractéristiques différentes mais partageant le même comportement.
Exemple : une sensibilité forte aux frais bancaires. En « coloriant » ainsi sa base clients, la
banque se dote d'un outil plus prédictif lui permettant de mettre en place des actions ciblées
afin de neutraliser les causes d'insatisfaction.
Au terme d‟un entretien avec la responsable du traitement de donnée à la Barclays, la réalité
est tout autre.
En effet les algorithmes statistiques utilisés permettent déjà de croiser les données internes à
l‟entreprise qui sont très riches, c‟est pourquoi elle ne voit pas l‟utilité d‟un nouveau système
«Big data».
Pour ce qui est de l‟analyse non structurée de la donnée sur les réseaux sociaux, les mails ou
les blogs, la banque ne perçoit pas l‟utilité des ces informations : en effet la Barclays n‟est
pas, à ce jour, présente sur les réseaux sociaux et ne développe pas d‟application Smartphone.
Les clients ne s‟expriment pas beaucoup et ne discutent pas sur les pages sociales, la relation
reste très contractuelle.
Suite à une explication approfondie des possibilités du «Big data», un autre problème de taille
est apparu au cours de l‟interview. La Banque est un secteur très restreint par la législation :
Emettre des offres personnalisées dans une optique prédictive est tout simplement impossible
car une banque ne peut proposer une offre sans que le client en ait fait la demande. Ce rôle est
réalisé par les guichetiers qui peuvent discuter oralement avec le client puis obtenir leur
accord pour leur soumettre des offres commerciales.
Dans ce cas aussi, à nouveau, la réalité des entreprises prend le dessus sur les promesses
théoriques du «Big data», et montre qu‟instaurer ce type de modèle de traitement de données
n‟est pas forcément adapté à tous les types d‟entreprises ou au moins pour le moment.

42
 La perception d’une société d’infogérance : Bull
Bull fournit des infrastructures techniques à même de supporter des solutions « Big data»
(serveurs informatiques de grande puissance, espaces de stockage, …) mais en terme de
services informatiques d‟hébergement et d‟infogérance, pour l‟instant l‟essentiel des besoins
de ses clients et de la croissance de son marché est encore tourné vers des applications
traditionnelles ou du « cloud computing ».
Le « Big data» n‟est pas encore devenu une activité forte, voilà ce qui est ressorti de notre
contact avec le responsable marketing de la branche Infogérance de cette société, bien placée
de par son activité pour être au cœur des préoccupations de ses clients en termes de système
d‟information.

43
6.5 Quelques points spécifiques à prendre en compte dans les projets « Big
data »
L‟entreprise qui décide de s‟engager dans l‟exploitation des «Big data» devra commencer par
effectuer un état des lieux. Le dimensionnement du projet devra notamment intégrer les
éléments suivants:
Son besoin prioritaire
La rareté des compétences
L‟hétérogénéité et la multitude des offres «Big data» sur le marché.
les directives juridiques sur les conditions légales d‟exploitation des données
privées
la capacité des équipes techniques et marketing à travailler ensemble
Intégrer ce nouveau type de solution engendre en effet des mutations dans plusieurs
domaines : que ce soit dans la façon de voir le business et de l‟appréhender ou dans
l‟organisation des services et métiers au sein de l‟entreprise.
 Repensez l’organisation marketing
L‟exploitation des données «Big data» en vue de personnaliser la relation client oblige le
département marketing à se réorganiser : actuellement il est organisé autour de campagnes
planifiées et datées, le «Big data» va lui permettre d‟être plus réactif aux attentes des clients
mais lui imposer aussi un fonctionnement plus agile et plus itératif.
Ce nouveau processus rend trop limité la façon d‟agir traditionnelle, la segmentation
approximative et le lancement de campagnes avec trois ou quatre déclinaisons deviennent
obsolètes.
Avec le « Big data», le marketing rentre dans le monde de l‟hyper-ciblage, de
l‟hyperpersonnalisation et de la rapidité que seule l‟automatisation permet.
Pour faire face à ce défi, les services marketing auront intérêt à se réorganiser en mode
projet :

44
Le premier temps concerne l‟analyse des données brutes disponibles, l‟analyse et la
transformation de ces données en informations marketing porteuses de sens et plus faciles à
exploiter (scores, segmentation, KPI, agrégat…).
Dans un deuxième temps, les services marketing conçoivent les dispositifs relationnels
automatisés qui vont s‟appuyer sur ces informations calculées en continu.
Une fois ces dispositifs paramétrés et opérationnels, les équipes marketing se concentrent sur
le suivi et l‟amélioration des dispositifs existants avec moins de temps consacré à la
technologie et plus au marketing.
Ceci est absolument indispensable, car l‟augmentation massive du volume de données
disponibles implique de la part du marketeur une plus grande implication dans l‟analyse des
données, et un recentrage sur son vrai métier.
Autre évolution majeure : La disponibilité de cet ensemble de données permet aussi aux
équipes marketing de mesurer très rapidement l‟efficacité des campagnes lancées et de réagir
immédiatement, si nécessaire, pour rectifier le tir lorsque les résultats escomptés ne sont pas
au rendez vous.
En résumé, les équipes marketing devront replacer les données au cœur de leur
problématique et intégrer l‟ensemble des canaux et des supports pour avoir une vision omni-
canaux.
Elles ne vont plus raisonner sur des silos de données, mais au contraire intégrer la totalité des
données de l‟entreprise (marketing, ventes, finances, après-vente …) et le cas échéant des
données achetées en externe afin d‟en extraire des rapprochements porteurs de sens.
Dans leur stratégie centrée sur le client, elles doivent aussi intégrer l‟ensemble des supports et
des canaux de contacts sur lesquels existe la marque, ce qui implique aussi une évolution de
leur relation avec la DSI.

45
 «Big data» : vers une nouvelle relation entre le service marketing et le
service informatique.
L‟acquisition de la technologie «Big data» va entrainer une rupture dans l‟organisation et les
relations entre les services, plus particulièrement entre le service marketing et le service
informatique. Depuis quelques années, les responsables des entreprises (banques, assurances,
industrie etc…) ont davantage reconnu et admis que la gestion et l'exploitation des
informations sont un facteur de compétitivité à ne pas négliger. Le développement rapide de
l'informatique a donné aux entreprises la possibilité d'utiliser des moyens avancés et puissants
pour gérer et exploiter de très grands volumes de données. Il y a quelques années, les
informaticiens avaient un rôle majeur dans le domaine de la gestion des données.
Actuellement, les tendances à l'intérieur des entreprises ont changé de façon à ce que tous les
collaborateurs soient de plus en plus impliqués dans les différents procédés liés à la gestion et
l'exploitation des données.
Si le département informatique est sans conteste l‟un des principaux acteurs permettant de
relever le défi du «Big data», à travers le choix de solutions IT, il ne dispose pas d‟une vue
aussi complète et transverse sur l‟activité business de l‟entreprise que la fonction marketing.
Relever le défi du «Big data» n‟est pas une mince affaire, mais il est riche de perspectives.
Les directeurs marketing et responsables de données pourront en tirer un ROI plus rapide au
niveau des campagnes réalisées, du développement et de la fidélisation de leur clientèle, et à
moyen terme, un impact certain sur l‟activité globale de l‟entreprise mais, pour cela, le
département marketing se doit d‟être un service de plus en plus tourné vers l‟appréciation des
données en rapport avec le client.
.
 L’apparition de nouveaux métiers.
En termes d'emplois, le «Big data» peut aussi nécessiter des profils assez différents de ceux
actuellement présents au sein de l‟entreprise.
Aux Etats-Unis, pays souvent en avance sur l‟Europe pour ce qui concerne le monde Internet,
un métier lié au «Big data» commence à s'imposer : celui de Data Scientist. Il est aujourd'hui

46
considéré outre-Atlantique comme l'un des profils des technologies de l‟information les plus
recherchés et parmi les mieux payés.
Fournisseur bien placé pour parler du «Big data», IBM a essayé de définir ce métier émergent
de Data Scientist. « Ainsi, selon « Big Blue », le métier de Data Scientist "est une évolution
des rôles de Business Analyst ou de Data Analyst 22
» [22]. La formation est ainsi la même,
remarque IBM : "elle est en général solide en informatique, statistiques, Analytics ou
mathématiques." Mais IBM attire l'attention sur une différence fondamentale :
Un Data Scientist ne doit pas se contenter de recueillir les données et faire des rapports, mais
il les regardera aussi sous de nombreux angles, devra déterminer ce que les données
signifient, puis recommandera des moyens pour appliquer leurs enseignements. C'est pour
cela que le Data Scientist doit aussi savoir communiquer à la fois aux responsables
informatiques, mais aussi au Top Management de l'entreprise.
D‟autres profils sont aussi recherchés dans le cadre des projets « Big data » :
Si la définition du «Big data» et des métiers liés peuvent sembler encore mouvants, certains
termes commencent à y être assez clairement associés : Hadoop, MapReduce, Bigtable,
éventuellement NoSQL...
La maîtrise de ces technologies est-elle obligatoire et indispensable pour les Data Scientists
ou pour ceux qui voudraient postuler à des offres d'emploi lié au «Big data» ? Pas
obligatoirement car le Big data et les métiers liés étant assez émergents en France,
actuellement, les candidats recherchés doivent surtout montrer plus d'appétences que de
réelles expériences sur ces technologies liées au «Big data». Des profils maîtrisant très bien
Java ou les services Cloud d'Amazon peuvent ainsi être très bien prédisposés, … Ces profils
peuvent être de bons candidats, même s'ils devront monter en compétences ensuite.
Ceci étant, avec la montée en puissance des projets «Big data», ces ressources, comme aux
Etats unis, risquent de se raréfier. Démarrer un projet «Big data» dès que possible est donc
aussi une façon de progresser en compétence dans ce domaine et de bâtir une équipe
performante afin d‟être certain d‟être pleinement opérationnel lorsque la concurrence aura
rendu les projets «Big data» incontournables.
22
JOURNAL DU NET « métier du Big Data : data scientist »
<http://www.journaldunet.com/solutions/analytics/metier-big-data-data-scientist.shtml>

47
 Les enjeux financiers
Comme toute technologie innovante, le «Big data» a un coût que les experts oublient souvent
de mentionner. Il convient de mesurer le ROI et pas seulement de décrire les gains apportés
par cette solution.
En effet le traitement de cette multitude de données va entrainer des coûts d‟investissement
technologique et humain. Les aspects humains et de compétence ont déjà été évoqués ci-
dessus.
En ce qui concerne les investissements technologiques, les solutions traditionnelles de bases
de données relationnelles ne sont pas adaptées pour traiter la plupart des ensembles de
données « Big data». Les données non structurées ou trop volumineuses ne peuvent être
gérées efficacement par ces technologies traditionnelles. Les technologies nécessaires dans
une optique «Big data» impliquent des investissements significatifs.
En particulier, pour le stockage des informations, les entreprises devront investir dans de
nouveaux centres informatiques, de nouveaux disques durs et, bien sur, tout cela entrainera
aussi des charges énergétiques et de maintenance conséquentes.
Pour ce qui est du traitement de l‟information, les entreprises ont la possibilité de choisir entre
les solutions logicielles Open Source et les solutions propriétaires commercialisées par des
éditeurs.
La réduction des coûts, l'extensibilité et les facilités d'intégration sont quelques-uns des
avantages que les organisations vont pouvoir retirer des solutions Open Source. De plus, la
communauté Open Source est très active et ne cesse de faire des efforts pour améliorer les
caractéristiques, et ajouter de nouvelles fonctionnalités à ces solutions.
 Vie privée et «Big data»
Avec l‟apparition des projets «Big data», la conservation et l‟analyse des données
personnelles va augmenter fortement.
Pour les besoins du marketing en particulier, des informations sur les utilisateurs sont
rapprochées et extraites d‟internet. Des outils de gestion de l‟identité sont maintenant utilisés

48
sur la toile, les téléphones mobiles envoient des informations de géo-localisation aux
opérateurs de télécommunications, les achats effectués par carte bancaire révèlent les
montants dépensés et les magasins visités ….
De fait, un nombre croissant de compagnies collectent, utilisent pour leur besoin propre ou
vendent les données et profils d‟utilisateurs extraits de ces diverses sources d‟information.
Cela peut à terme poser trois types de problèmes qu‟il convient de prendre en compte dans le
cadre d‟un projet «Big data» :
Un problème de sécurité.
Un problème de légalité.
Un problème de réticence de l‟utilisateur.
Sécurité :
Rassembler et rendre accessibles un très grand volume de données dans le cadre d‟un projet
«Big data» a pour but d‟en extraire une foule d‟informations très riches sur les internautes et
sur leur comportement. Le revers de la médaille est bien sur que cette mine d‟informations ne
doit pas pouvoir être accédée de façon malveillante par des pirates informatiques depuis
l‟extérieur de l‟entreprise ou par des collaborateurs indélicats. La prise en compte des
contraintes de sécurité est donc un élément important de tout projet «Big data».
Légalité :
Un projet « «Big data» » doit impérativement inclure un volet juridique pour respecter les
règlementations sur l‟information (CNIL, etc.), qui définissent des principes à respecter pour
la collecte, le traitement et la conservation des données, ceci afin de protéger les droits des
personnes qu‟elles concernent. Si les analyses des comportements à travers les données
personnelles existent, elles doivent se conformer aux droits dont disposent les utilisateurs :
droit d‟informations, d‟accès, d‟opposition ou de rectification.
Quant à la commission européenne, elle a publié, le 25 janvier 2012, un projet de directive sur
la protection des données européennes.
Il convient donc de se tenir informé aussi des évolutions législatives qui ne manqueront pas
d‟apparaitre dans le but de mettre le droit en cohérence avec les nouveaux risques et

49
opportunités amenés par les nouvelles technologies et leur utilisation et en particulier par le
« Big data».
Réticence des utilisateurs :
Le « Big data» permet de fournir un meilleur service à l‟utilisateur en lui proposant des offres
adaptées à son cas personnel et pertinentes.
Il sera donc sensible au fait que, grâce au «Big data», il reçoit moins de mails qui polluent sa
boite électronique, moins de fenêtres publicitaires peu pertinentes sur son écran d‟ordinateur
ou de téléphone ….mais ce progrès, tous ne sont sans doute pas près à le payer en
abandonnant la confidentialité de leur vie privée.
Ainsi, avec la généralisation progressive des projets
«Big data», avec la mise en vente de plus en plus
fréquente des données des utilisateurs par les entreprises
disposant, de par leur position dans le circuit
économique, d‟une grande richesse d‟informations, il
peut apparaître au sein de la société civile un
phénomène de rejet des sites mettant en œuvre ce type
de ciblage ou connues pour revendre leur données..
Sous la pression des utilisateurs, il se peut que les entreprises soient obligées tôt ou tard de
rendre les analyses comportementales optionnelles. La rentabilité des projets « Big data»
dépendra alors du taux d‟utilisateurs voulant protéger leur vie privée et refusant de voir leur
comportement analysé.

50
6.6 Au-delà du marketing, le « Big data », la boite à outils multi-usages
Les techniques de prédictions développées dans le cadre du «Big data» trouvent
progressivement leur application dans l‟ensemble de la société et pas seulement dans le
marketing.
En effet l‟analyse « Big data » des centaines de millions d‟informations crées par l‟activité
économique et humaine peut permettre d‟en retirer des indicateurs sociaux, économiques,
sanitaires, culturels, sécuritaires ….
De fait, toutes les activités humaines sont candidates à être concernées par le phénomène
« Big data ».
« Par exemple une analyse « Big data » a permis à une entreprise comme EDF de mieux
choisir le positionnement de ses éoliennes en étudiant les données météorologiques et
atmosphériques des 10 dernières années23
»[23].
Dans un tout autre domaine, en analysant et en regroupant les informations se trouvant sur les
réseaux sociaux, les blogs, en cherchant la répétition de mots clé, « il a été possible de
déterminer la victoire de la Suède à l’Eurovision par avance.24
»[24]
Dans un autre secteur, une entreprise de vêtements produisant des maillots de bain, en
analysant les conversations de ses fans sur leurs pages facebook, lorsqu‟elles parlent de
vacances et de beau temps, décide la date de lancement de sa nouvelle collection de maillots.
Dans la grande distribution l‟analyse prédictive est utilisée dans le réassortiment des
magasins. L‟analyse des comportements d‟achat permet d‟éviter les surstocks et donc
d‟éviter les couts associés.
Pour les entreprises implantées à l‟international, la demande de leurs clients diffère en
fonction des pays, des coutumes et des goûts : l‟analyse des achats et des comportements
23
24

51
permet de proposer des linéaires parfaitement adaptés à leur clientèle. Selon IBM, la
croissance des ventes est alors de l‟ordre de 15% dans certaines chaînes spécialisées.
« Dans le secteur alimentaire, 5 à 7% des denrées frappées par la date de péremption sont
rejetées alors qu’un cinquième de la population mondiale est sous-alimentée. Or, il serait tout
à fait possible d’anticiper et de les réorienter à temps vers des organisations comme les
Restaurants du Cœur» explique Alain Bénichou, président d‟IBM France.25
» [25]
L‟analyse prédictive peut être utilisée aussi dans le domaine de la santé. Par exemple, la
mairie de New York surveille la prolifération des épidémies en analysant la consommation
pharmaceutique de la population.
Rio, ville qui va accueillir les jeux olympiques de 2016, est situé dans une région touchée par
des catastrophes climatiques : l‟analyse des données météorologiques permettra de sécuriser
et de faire évacuer les lieux risquant d‟être touchés et donc, peut être, de sauver un grand
nombre de vies humaines.
Les hôpitaux pour lutter contre la mort subite des nouveaux nourrissons utilisent la
technologie « Big data » afin de prévenir et lutter contre ce phénomène. Ils analysent
l‟ensemble des données recueillies sur le nourrisson et en cas de détection d‟une anomalie
préviennent immédiatement l‟équipe médicale
Comme l‟explique le patron d‟IBM France : « une équipe de chercheurs d’IBM a mis au point
l’ordinateur « Watson » et lancé un défi inégalé : battre les deux meilleurs joueurs mondiaux
de « Jeopardy », un jeu où les réponses sont ouvertes et, contrairement aux échecs, les
solutions infinies. Elaboré à partir d’algorithmes neuronaux, Watson comprend le langage
naturel, se joue des chausse-trappes et des jeux de mots. Il va chercher en une demi-seconde
les réponses dans son immense mémoire constituée de 200 millions de pages. » Watson a
remporté son défi. Il a battu les deux meilleurs joueurs de tous les temps. Maintenant, cet
ordinateur associé au cloud computing va devenir le plus grand cancérologue de la
planète. C’est son prochain défi ! Il sera consultable partout et par tous les médecins ». 26
[26]
Les gouvernements de certains grands pays comme la France considèrent le sujet comme
l‟une des priorités de l‟investissement public dans le numérique. Ce plan «Big data» pourrait
25
26

Big data et marketing :Vers une analyse prédictif de d'acte d'achat

Big data et marketing :Vers une analyse prédictif de d'acte d'achat

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

En vedette

En vedette (11)

Similaire à Big data et marketing :Vers une analyse prédictif de d'acte d'achat

Similaire à Big data et marketing :Vers une analyse prédictif de d'acte d'achat (20)

Big data et marketing :Vers une analyse prédictif de d'acte d'achat