Sapenne

Jean-Marc m’a invité à écrire un billet dans son blog, ce que je fais bien volontiers. Nous avons eu des discussions intéressantes sur la complémentarité des Web analytics et du Datamining.

Les Web Analytics regroupent la mesure, la collecte, l’analyse et la présentation de données provenant d’Internet utilisées à fin de comprendre et d’optimiser l’utilisation du Web.
Le Datamining est l’exploration et l’analyse de gros volumes de données à l’aide de techniques de modélisations statistiques et de l’informatique dans le but de transformer des données brutes détaillées en information à valeur ajoutée. Cette information est utilisée de manière industrielle ou opérationnelle et en particulier pour l’aide à la décision dans le domaine de la gestion de la relation client.

Pour ma part, je suis persuadée que dans l’avenir nous aurons intérêt à lier les informations issues du web aux informations issues des autres canaux. Dans le domaine marketing-CRM, cela permettra de mieux connaitre les clients d’une entreprise et mieux interagir avec eux. Il faudrait une vision unique à 360° du client, que celui-ci soit en contact avec l’entreprise via le call-center, l’email, le site web, le SMS, les magasins…
La BI et les web analytics ont en commun d’utiliser des données brutes (navigation web à l’aide de tags et log / données de facturation, de consommation..) et d’en tirer des informations à valeur ajoutées qui vont aider le business à prendre des décisions (pousser un produit en première page, proposer un produit scoré comme prioritaire lors de l’appel d’un client au SAV).

Ce schéma montre le parallèle entre la démarche process BI et la démarche Web analytics.
Je vois pour l’instant deux types de complémentarité entre datamining et web (ce qu’on appelle le webmining) :
• Travailler en mode asynchrone : utiliser les données de trafic web « à froid », à condition qu’elles soient associées à un visiteur identifié (identifiant client), les associer aux données du datawarehouse et en tirer une meilleure connaissance client (profiling client) et de meilleurs actions multi-canal.
Par exemple : je connais le segment de clients de téléphonie mobile auquel appartient monsieur M. Je sais par les analyses datamining que celui –ci est un adepte de la haute-technologie, des nouveautés, a un budget plutôt élevé et est à risque de churn. Dans sa navigation, après s’être identifié, il va sur la page des nouveaux téléphones qui vont sortir sur le marché. Il clique sur un modèle en particulier. J’associe ces deux sources de données dans mon datawarehouse et je lui propose une campagne promotionnelle de renouvellement de son abonnement avec son modèle de téléphone a priori préféré.
On peut ainsi imaginer compléter la segmentation CRM avec le profiling web, qui apporte certainement beaucoup d’information client qualitative .
• Travailler en optimisation en temps réel : il s’agit alors de rester dans l’environnement web et d’utiliser les données de navigation web mais l’avantage de cette méthode est qu’on peut travailler au niveau du visiteur et non pas seulement du client identifié.
Par exemple : un visiteur navigue sur mon site et a cliqué sur un certain chemin 1->2->3 (produits pour bébé-> 6 mois->alimentation). On a pu mener une étude webmining montrant qu’il y a 80% de chances qu’un client ayant cliqué sur ces liens dans cet ordre 1->2->3 passe commande de petits pots de purée de légumes (appétence produit). Lors de cette visite ou d’une prochaine sur le site , en page d’accueil , on peut proposer une bannière publicitaire ou un pop-up promotionnel à ce visiteur sur le produit qui l’intéresse ou faire du cross-selling en proposant un produit associé.
Un service simple (en terme de modélisation statistique) proposé par Amazon.fr est dans cet esprit : « les internautes qui ont commandé ce livre ont aussi commandé ce livre … »

Bien que l’objectif légitime des sites web soit à court terme de générer plus de trafic et de revenu, il est sûrement bon de réfléchir aux objectifs moyen terme d’un point de vue marketing à la gestion de la relation client multi-canal qui pourrait générer globalement plus d’acquisition, de fidélisation client et une augmentation de recettes générées par client.

Ce billet a été publié le Monday, November 19th, 2007 at 2:55 pm par Amaryllis et est enregistré sous Web Analytics, Business Intelligence. Vous pouvez suivre les réponses à ce billet par le flux RSS 2.0.
This entry was posted on Monday, November 19th, 2007 at 2:55 pm by Amaryllis and is filed under Web Analytics, Business Intelligence. You can follow any responses to this entry through the RSS 2.0 feed.
Vous pouvez laisser une réponse, ou un "trackback" de votre site.
You can leave a response, or trackback from your own site.