En tant que Directeur Marketing Client ou CRM ou Fidélisation ou Qualité du Service Client vous êtes amenés à piloter la performance d’actions promotionnelles, de campagnes Marketing, d’écoute client, etc. Pour obtenir un pilotage performant, des analyses pointues et construites de façon professionnelle, vous sont nécessaires.
C’est pour cela que vous devez travailler en étroite collaboration avec la BI (Business Intelligence – ou Informatique Décisionnelle, en français) à la DSI, afin de vous permettre de :
- construire des tableaux de bord performants pour vous aider à prendre les bonnes décisions en fonction des attentes de vos clients et des choix stratégiques pour lesquels vous allez opter ;
- effectuer un Reporting de qualité auprès de votre Direction générale.
Et aussi parce qu’au quotidien, vous pouvez être amené(e) à :
- collecter, produire des informations ou des données ;
- qualifier des données pas ou partiellement structurées ;
- opérer une veille régulière sur une thématique pointue ;
- augmenter la valeur de durée de vie de vos clients et leur fidélisation ;
- etc.
Pour vous aider à y voir clair dans les enjeux technologiques actuels liés à la BI, auxquels vos collègues de la DSI sont confrontés, voici une présentation simplifiée des différentes méthodes et techniques utilisées :
- Analyse Statistique ;
- Data Mining ;
- Analyse Sémantique ;
- Text Mining ;
- Arbre de Décisions ;
- Analyse Prédictive ;
- Big Data.
À noter que les techniques d’aide à la décision tout comme la traduction automatique ou l’apprentissage automatique et l’aide au diagnostic font parties des techniques d’intelligence artificielle.
Avant tout, définissons ce qu’est la BI – Business Intelligence.
La Business Intelligence (ou Informatique Décisionnelle) permet d’assister le processus de décision des décideurs et dirigeants de l’entreprise. Pour reprendre la définition de Wikipédia, la BI « désigne les moyens, les outils et les méthodes qui permettent de collecter, consolider, modéliser et restituer les données, matérielles ou immatérielles, d'une entreprise en vue d'offrir une aide à la décision et de permettre à un décideur d’avoir une vue d’ensemble de l’activité traitée ».
Pour certains, la BI (du point de vue organisation) n’est pas assez démocratique en ce sens qu’elle aspire mais n’arrive pas à délocaliser la prise de décision au niveau du terrain et de l’opérationnel, pour gagner en réactivité. Et quand elle y arrive, la Business Intelligence est considérée plus comme un outil de contrôle de la délégation à travers son instrument phare : le Reporting.
Il est vrai que des tentatives de démocratisation de la BI sont mises en oeuvre afin de :
- délivrer la bonne information à la bonne personne, au bon moment pour faciliter la prise de décision des directions opérationnelles, tout en maîtrisant les risques ;
- avoir une approche centrée utilisateurs (techniques de l'UX – Expérience Utilisateurs) de données et d’analyses et non seulement techno-centric (centrée fonctionnalités informatiques) ;
- proposer une démarche collaborative ou des utilisateurs peuvent profiter des analyses, échanger, communiquer, suggérer des idées ou des besoins.
La Business Intelligence comporte deux blocs :
- l’analytique : ce sont toutes les méthodes et briques logicielles permettant d’effectuer des analyses des données de l’entreprise, qu’elle qu’en soit leur origine. Cela comprend, notamment, les analyses prédictives, les modélisations et les simulations ;
- le pilotage ou reporting : avec ses fonctionnalités de tableaux de bord et de reporting.
Pour la partie Analytique, l’Informatique Décisionnelle (BI) utilise les Analyses Statistiques, bien sûr et surtout le Data Mining, pour les grosses bases de données.
Les analyses Statistiques
Sans être une spécialiste du sujet, j’ai compris que les techniques d’Analyses Statistiques (analyses longitudinales, avec des outils de Reporting et de Data Warehouse et de solutions de traitement analytique en ligne – OLAP) utilisées ne donnent qu’une image du passé et n’envisagent pas du tout le futur. Elles servent uniquement à comprendre et à mesurer les conséquences des décisions et résultats passés. D’où la nécessité de faire appel à des technologies plus prédictives afin d’être en mesure de prendre des décisions pour l’avenir de l’entreprise.
Le Data Mining
Si la Business Intelligence permet de mettre en évidence, par ex. un phénomène d’attrition de clients, le Data Mining permet d’expliquer ce phénomène, pour chaque segment de produits ou de clients et de l’expliquer en fonction de variables et de paramètres puis d’effectuer des comparaisons.
Le Data Mining englobe un certain nombre d’outils permettant d’explorer, analyser des données contenues dans des Data Warehouse (Entrepôts de Données de toute l’entreprise) ou Data Mart (sous-ensemble de bases de données métier : Marketing, Finances, etc.) de façon automatisée. Ces outils de Data Mining permettent de trouver des structures, des corrélations et des liens entre des données, dans une base décisionnelle.
Cela permet de mieux comprendre des rapports entre phénomènes et d’anticiper des tendances. Il est particulièrement adapté aux grands volumes de données et il met en œuvre les fonctionnalités suivantes : classification, segmentation, association/analogie. Il utilise également les capacités d’apprentissage des réseaux de neurones et des algorithmes génétiques.
L’Analyse sémantique
C’est une technique utilisée en Data Mining pour interpréter des textes écrits en langue naturelle. Les logiciels d’analyse sémantique vont au-delà de l’analyse sur la fréquence de mots-clés car ils savent raisonner sur le sens des mots et des phrases.
Autrement dit, un logiciel d’analyse sémantique est capable, par ex. de :
- distinguer une opinion négative dans une phrase en apparence positive, par l’usage de mots à connotation positive ;
- détecter, à l’inverse, une opinion positive dans une phrase négative ;
- attribuer une opinion à la bonne cible, même si elle désignée par l’usage d’un sigle ;
- comprendre une phrase utilisant une forme discriminante pour qualifier le sujet (par ex. "mises à part leurs caissières, j'aime bien faire mes courses dans ce magasin") ;
- toutes de sortes de combinaisons de formes syntaxiques…
Pour en savoir un peu plus, vous pourrez lire prochainement (le 30 mai) un article citant un exemple d’Analyse Sémantique, suite à une présentation du logiciel Sharing-Data de Satisfactory.
Le Text Mining
L’une des principales applications de l’analyse sémantique c’est justement le Text Mining. Le Text Mining consiste à extraire de façon automatisée de l’information structurée à partir de textes non structurés, notamment ceux en langage naturel.
Le Text Mining englobe les méthodes, techniques et outils permettant d’explorer des documents de types Word, PowerPoint, email, Web, etc. et s’appuie sur une technologie d’intelligence artificielle qui consiste à analyser d’un point de vue linguistique, à classer et synthétiser de façon automatique, ces documents non structurés.
Ces données deviennent structurées et peuvent ainsi réintégrer un logiciel du système d’information de l’entreprise pour être exploitées à d’autres fins.
Pour en savoir un peu plus, vous pourrez lire prochainement (le 6 juin) un article dédié au Text Mining, suite à une présentation de Coheris Spad.
Les Arbres de décisions
C’est un outil d’aide à la décision qui permet de répartir une population étudiée en groupes homogènes selon des critères précis, qu’on appelle les variables de segmentations. On représente sous forme d’arbre, avec en haut la racine (la distribution de la variable à prédire) et au niveau de l’extrémité des branches, les différents résultats possibles en fonction des décisions prises à chaque étape. Aisance, rapidité et lisibilité expliquent son succès actuel auprès des spécialistes des statistiques et de la BI.
L’Analyse Prédictive
L’Analyse Prédictive est une technique d’exploration, d’extraction et d’analyse de données historiques et actuelles pour prédire les tendances et événements futurs ainsi que les motifs de comportements. L’exactitude des résultats dépendra énormément de l’analyse des données et de la qualité des hypothèses.
La Business Intelligence (BI) consiste à dire ce qui ne va pas (le Quoi) alors que l’Analyse Prédictive définit ce qu’il faut faire pour que ça aille mieux (le Comment) en utilisant toutes les données disponibles.
Pour en savoir un peu plus, vous pourrez lire prochainement (le 13 juin) un article entier dédié à l’Analyse Prédictive, que j'ai rédigé suite à une présentation de l’IBM SPSS.
Le Big Data
Le Big data englobe un ensemble de technologies et de pratiques destinées à stocker et traiter de très grandes masses de données variées (numériques, textes, images), fiables, produites en temps réel et à les analyser très rapidement (moins de 2 minutes sont un impératif pour détecter des fraudes, par ex.). J’entends par très grandes masses de données, un volume de données exponentiel (du niveau du téraoctets), qu’il est très difficile de traiter avec des outils classiques de SGBD (système de gestion de bases de données).
Tout comme certaines des techniques citées ci-dessus, le champ d’action du Big Data va consister à faire de la prospective, de la modélisation et des simulations. Le responsable Big Data ou « Data Scientist » sera votre interlocuteur pour répondre à vos besoins métier (Marketing, Communication, etc.) en termes de traitement d’analyse de données massives.
En conclusion, je dirais que nos collègues du Décisionnel doivent faire face à toujours plus ! Plus de données, plus d’intelligence, plus de demandes de notre part, plus d’exigences des clients qu’il faut identifier, etc.
Pour terminer, je dirai que lorsque l'on souhaite être une entreprise centrée clients, c'est-à-dire, qui met le Client au Coeur de ses décisions stratégiques, il faut savoir instiller de la Culture du Client au coeur du Décisionnel. Lorsqu'on a la chance d'avoir des outils aussi intelligents, à porter de clic, il faut tout faire pour que les collègues de la Business Intelligence aient une démarche "customer centric" et non "techno-centric". Ce que je veux dire, c'est de leur demander d'actionner des outils mettant en évidence l'Expérience Client et non pas seulement des données et des algorithmes en relation avec le transactionnel et le comportemental. De plus, cela donne davantage de sens "social" à leur travail, déjà très scientifique !
[…] l’information récoltées en données exploitables ». Dans un article précédent, j’ai déjà présenté très succinctement ce qu’est le […]