1

©2015 Talend Inc.

4 étapes clés pour

transformer vos données

client en valeur Jean-Michel Franco – Talend – jmichel_franco

2

Talend en bref

EN BREF

• Fondé en 2006

• 450 employés dans 7 pays

• Deux sièges : Redwood, en Californie et Paris, en France

• Modèle Open Core

Solutions • Solutions d’intégration évolutives pour le Big Data, l’intégration

de données et d’applications, la qualité de données, le MDM. • Classé Leader Visionnaire par Gartner et Forrester sur le marché

de l’intégration

3

Les données client sont partout

Centralisé Cloud Big Data Social, Mobile

Retour sur

Information (RsI)

Valeur

Temps

4

Désormais, nous en percevons la valeur

Les approches Data-driven induisent :

23x performance pour l’ acquisition

6x performance en termes de fidélisation

19x amélioration de la rentabilité

McKinsey Global Institute : using customer analytics to boost performance

5

Mais la tâche à accomplir semble insurmontable

Des données de contact ne sont pas pertinentes

De données personnelles Volées ou compromises

aux US depuis 2005

Coûts annuels liés à la non qualité des

données

25%

Des départements marketing ne disposent pas

d’une vue Client 360°

Des données Contact changent plus d’une fois

tous les ans

71%

Sources: Sirius Decision, Integrate, Experian, Privacy Clearinghouse, Target Marketing, Forbes insights

534M 14M$ 34

Sources de données nécessaires pour

une vue 360°

65%

6

Créer la plate-forme qui personnalise chaque clic.

Il y a pourtant une solution

Transformer les points de contacts client en processus “data-driven”:

• Collecter l’information client à sa source et la réconcilier

• L’enrichir en permanence dans des vues 360°augmentées grâce aux Big Data

• Intégrer la dimension Analytique, les profils, segments, score…

• Influencer les propositions commerciales, recommander et guider les expériences

Customer Data Platform

Legacy

Systems

ERP

CRM

Cloud

Apps Internet

of Things

Web Logs

NoSQL

Predictive

analysis

Inbound/Outbound

campaigns

Customer Facing

Devices

CRM

E-commerce

Social

Networks

Machine

Learning

Recommendations

Analytics

Connecter le Système d’Interaction

Constituer le Système de

référence

Mettre en place le Système de recomman- dation

Alimenter le système

d’engagement

7

Cas client dans le secteur retail

1ère étape: collecter les données des points de contacts

Fonctionnalités • Une « Data Management Platform » (DMP) pour

capturer, enrichir et organiser les données d’interactions • Un environnement Hadoop dans le cloud par

abonnement pour une appropriation rapide. • Des capacités Analytiques bien au delà de ce que

proposé dans les applications de Web Analytics

Bénéfices • Une vue des interactions par visiteur, permettant de voir

les applications digitales du point de vue du client. • Des segmentations plus pertinentes. • Un moyen rapide pour apprendre le Big Data et créer le

Data Lab.

Données

Géographiques

Logs web

Données

météo

Data

Warehouse

Réseaux

sociaux Données de

référence

Data

Mining

Machine

Learning

Application

Analytiques

Découverte de

Données

8

Cas client dans le secteur retail

2ème étape: Créer la une vue 360° augmentée

Fonctionnalités • Une « Customer Data Platform» qui réconcilie les

données pour chaque client • Des fonctions avancées pour la qualité de données et

l’entity resolution • Fonctionnement natif sur Hadoop

Bénéfices • Une vue holistique du parcours client multicanal • Comprendre les comportements, interactions, and les

intentions d’achat.

Journaux

Web

Mobile

Réseaux

sociaux

Systèmes Points de vente

E-commerce

Application Marketing

et Digital Marketing

Service Client

Données

Géographiques

Data

Warehouse

Données de

référence

9

3ème étape : Tirer la substance des données

Data

Warehouse

Journaux Web

Campagnes

entrantes

Campagnes

sortantes Borne

Point de vente

E-commerce

Data

Mart

Cas client dans le secteur retail

Fonctionnalités • Tire partie de Hadoop et de son écosystème • Utilise des fonctions de machine learning • Partage les données client largement jusqu’aux points

de vente, via les moteurs et outils Open Source

Bénéfices • Information facile d’accès et « démocratisée » • Les données détaillée sont rendues directement

exploitables , au-delà d’une vue 360°. • De l’analytique au prédictif, puis au prescriptif.

Data

mining

Machine

learning

Analytique

Découverte

Données Service client

10

4ème étape: Alimenter les recommandations temps réel

Fonctionnalités • Personnalisation pour les communication sortantes (e-

mails, SMS, notifications mobile s…) • Recommandations temps réel des communications

entrantes (mobile, web, bannières…) • « Next best actions « pour les centre s de contacts, le

clienteling sur point de vente, etc.

Bénéfices • Taux de conversion et efficacité commerciale améliorés. • L’efficacité des actions Marketing (campaigns,

promotions…) est mesurable • Les parcours clients personnalisé améliorent

l’expérience client et renforcent la fidélité….

Customer Data Platform

Data

Warehouse

Web Site

& apps

Ad Server

Marketing

automation

Kiosks

Point of sales

devices

Customer services

E-commerce

Cas client dans le secteur retail

11

01010101101010101010

10101011010101010101

01010101010101010101

01010110101010101010

10101010110101010101

01010101101010101010

10110101010101010101

01011010101010101

La première solution d’intégration de données native pour le Big Data

Talend et le Big Data

Concevoir

Collaborer

Déployer Gérer

S’adapter aux conditions

extrêmes

• Interface visuelle, glisser-déposer • Plus de 800 connecteurs inclus • Génère nativement du code MapReduce,

Java ou SQL

• Fonctionne par cluster • Load balancing &

basculement • Optimisation du code

• Répertoire partagé • Auto-documentation

• 0 installation sur Hadoop • Qualité de données

intégrée • Sécurisée (supporte

nativement Kerberos)

• Intégré aux outils d’administration du Big Data

• Data gouvernance • Planification, contrôle et

gestion centralisée.

12

Un exemple

Créer la vie client 360° avec Talend Big Data

Source : Intelligent Business Strategy

13

Des stocks au pricing jusqu’à l’expérience client

Le Big Data du Batch au temps réel

Enjeux:

• Affiner les prévisions de vente et l’approvisionnement

• Optimiser la stratégie de pricing

• Eviter les abandons de panier

Pourquoi Talend:

• Le standard d’intégration de données pour la BI.

• L’intégration native du Big Data

• Le Big Data en temps réel

Les retours:

• Invendus réduits de 20%

• Prédire (avec 90% de précision) l’abandon de panier et

agir pour l’éviter

• Faire du pricing dynamique

”L’avenir du Big Data n’est pas dans le décisionnel , mais plutôt dans les systèmes automatisés qui agissent en fonction des données“ Rupert Steffner, Otto

14

Une nouvelle approche de mise en œuvre du SI

Découvrir • Du Bac à Sable

aux “essais applicatifs”

Connaître • Les applications analytiques

“offline” pour anticiper, prévoir, segmenter…

Rendre Opérationnel • Amener le Big Data là ou

l’action se passe

L’Information alimente l’entreprise Data-Driven

Data

profiling Big Data

MDM & Qualité

Données

Intégration

Données

Intégration

Temps réel

Intégration

Processus

15

Valider l’idée 1 Définir le cas

d’usage Définir la

plateforme

Collecter les données 2

Découvrir et préparer les

données

Réconcilier les données avec les données de

référence (client, produit…)

Créer les modèles 3 Alimenter et Tester Améliorer les modèles

et la qualité des données

Déployer le système 4

Certifier les données et les

mdoèles

Superviser, enrichir et améliorer

pour vos applications centrées client

Une Feuille de route

16

La Solution TALEND

Génère du code natif

Prête pour le futur

Qualité de données incluse

Plus productive

Unifiée et extensible

Innovante

Plateforme Open source

Facile à prendre en main

“Land and expand”

Par abonnement

Par développeur

Modèle de coût prévisible

17

Le Big Data dès maintenant avec la Sandbox de Talend

Machine virtuelle pré-configurée avec : • La distribution Hadoop de votre choix

• Talend Platform for Big Data

• Quatre scénarios prêts à l’emploi:

Analyse des données de navigation Web ("clickstream")

Analyse des données de sentiments sur Twitter

-Analyse des données de logs à l'aide des weblogs Apache

-Chargement ETL

avec Hadoop

http://fr.talend.com/solutions/big-data-sandbox

18

Big Data : départ annoncé dans 10 minutes !

La Sandbox Big Data de Talend vous

attend au stand # 506

19

©2015 Talend Inc.

4 étapes clés pour

transformer vos

données client en valeur

Jean-Michel Franco – Talend – jmichel_franco