Thèse professionnelle - COMMENT LES BIG DATA VONT AMELIORER LE MARKETING DANS LES ENTREPRISES EN...

Thèse Professionnelle

Présentée par :

Thibault PAILLIER

En vue d’obtenir le titre Certifié Niveau I :

Manager de la Stratégie Commerciale

Spécialité : Management de la Stratégie de marque, de l'innovation et du lancement de nouveaux produits et services

COMMENT LES BIG DATA VONT AMELIORER LE MARKETING DANS LES ENTREPRISES EN B2B ?

THÈSE Professionnelle dirigée par :

François GONNET

Entreprise :

Cofely Ineo Digital, Groupe ENGIE Tuteur : Mme KOUADRIA Laetitia

Résumé

Dans cette thèse nous allons nous intéresser aux avantages de l’utilisation des big

data dans une entreprise située sur un marché B2B.

Nous analyserons dans un premier temps via des études d’ouvrages comment les

big data s’appliquent dans divers domaines tels que l’énergie, la télécommunication

ou encore la santé et dans un second temps plus particulièrement dans différents

services d’une entreprise tels que la logistique ou les ressources humaines.

Nous étudierons plus en détail l’application des big data dans le marketing et nous

confronterons nos recherches par des interviews de professionnels spécialisés en

big data ainsi que l’interview d’une personne travaillant au sein de l’entreprise Cofely

Ineo Digital qui n’utilise pas les big data.

Nous nous attarderons sur le cas de cette société et nous étudierons comment les

big data peuvent apporter de différentes manières des améliorations au marketing

dans cette société.

Résumé en anglais

In this thesis we will look at the advantages of the use of big data in a company in a

B2B market.

At first we will analyze through studies of books how big data apply in various fields

such as energy, telecommunications or health and in a second time especially in

different company services such as logistics or human resources.

We will study in detail the application of big data in marketing and we will confront our

research by the interviews of specialized professionals in big data and an interview

with a person working in the company Cofely Ineo Digital that does not use the big

data.

We will focus on the case of this company and we will study how big data can bring

in different ways improvements to the marketing in this company.

Table des matières

INTRODUCTION............................................................................................................................................. 1

PREMIÈRE PARTIE : CONCEPT DE « BIG DATA »..............................................................................................2

I. L’ÈRE DE L’INFORMATION................................................................................................................................3A. La généralisation d’internet..................................................................................................................3B. La révolution du smartphone................................................................................................................4C. La règle des 3 V.....................................................................................................................................5

1. Volume..............................................................................................................................................................62. Vélocité..............................................................................................................................................................83. Variété...............................................................................................................................................................8

D. Les outils des big data.........................................................................................................................101. Infrastructure réseau.......................................................................................................................................102. Les bases de données......................................................................................................................................113. Hadoop et les outils de découverte des données............................................................................................134. Machine learning.............................................................................................................................................155. Les outils de visualisation.................................................................................................................................166. Les compétences humaines.............................................................................................................................177. Benchmark des solutions.................................................................................................................................18

II. LES DIFFÉRENTS USAGES DU BIG DATA..............................................................................................................20A. Le secteur des télécommunications....................................................................................................20B. Le secteur de l’énergie........................................................................................................................21C. Le secteur bancaire.............................................................................................................................22D. Le secteur du commerce.....................................................................................................................24E. Le secteur public.................................................................................................................................25F. 4 V et 5 V et…......................................................................................................................................27G. Le secteur de la santé.........................................................................................................................27H. Ressources humaines..........................................................................................................................29I. Production et logistique......................................................................................................................31

III. BIG DATA ET MARKETING...............................................................................................................................33A. Le marketing prédictif et fidélisation..................................................................................................33B. Real-time marketing et native advertising.............................................................................................35C. Le ciblage............................................................................................................................................38

SECONDE PARTIE : LES BIG DATA FACE AUX PROFESSIONNELS......................................................................40

IV. MÉTHODOLOGIE DE RECHERCHE......................................................................................................................41V. INTERVIEWS................................................................................................................................................43

A. Collaborateur d’Ineo Digital................................................................................................................43a. Présentation................................................................................................................................................43b. Questions / réponses..................................................................................................................................43c. Synthèse.....................................................................................................................................................45

B. Spécialiste big data.............................................................................................................................46a. Présentation................................................................................................................................................46b. Questions / réponses..................................................................................................................................46c. Synthèse.....................................................................................................................................................53

C. Spécialiste marketing..........................................................................................................................54a. Présentation................................................................................................................................................54b. Questions / réponses..................................................................................................................................54

c. Synthèse.....................................................................................................................................................56VI. SYNTHÈSE DES INTERVIEWS............................................................................................................................57

TROISIÈME PARTIE : L’UTILISATION DES BIG DATA DANS L’ENTREPRISE COFELY INEO...................................60

VII. PRÉSENTATION DE COFELY INEO.................................................................................................................61A. Activité................................................................................................................................................61B. Organisation.......................................................................................................................................62C. Clients.................................................................................................................................................63

VIII. LE CAS DE LA SOCIÉTÉ INEO DIGITAL.............................................................................................................64A. Présentation d’Ineo Digital.................................................................................................................64B. Ineo Digital et la donnée.....................................................................................................................65

1. Le commerce...................................................................................................................................................652. Les achats........................................................................................................................................................663. Le service facturation.......................................................................................................................................664. Le service SAV..................................................................................................................................................67

C. Le service marketing chez Ineo Digital................................................................................................671. Le service marketing créateur de données......................................................................................................672. Les actions marketing chez Ineo Digital...........................................................................................................71

a. Le service marketing direct.........................................................................................................................71b. Le service marketing des offres...................................................................................................................72

IX. APPLICATION DES BIG DATA AU SERVICE DU MARKETING CHEZ INEO DIGITAL........................................................................74A. L’acquisition clients : ciblage..............................................................................................................74B. La fidélisation......................................................................................................................................76C. Développer de nouvelles offres et prévoir leurs potentiels..................................................................77D. La vente de services complémentaires aux clients..............................................................................79E. Client à risque.....................................................................................................................................80F. Définir les prix des contrats de maintenance......................................................................................80

X. MISE EN PLACE D’UN PROJET BIG DATA DANS LA SOCIÉTÉ INEO DIGITAL..................................................................82A. Les ressources nécessaires..................................................................................................................82

1. Généralités......................................................................................................................................................822. Ineo digital.......................................................................................................................................................83

a. Solutions logicielles.....................................................................................................................................84b. Compétences humaines..............................................................................................................................84c. Coût global..................................................................................................................................................85

B. ROI......................................................................................................................................................85C. Conclusion...........................................................................................................................................87

BIBLIOGRAPHIE............................................................................................................................................ 88

TABLE DES ILLUSTRATIONS........................................................................................................................... 92

ANNEXES..................................................................................................................................................... 93

ANNEXE 1 – GUIDE D’ENTRETIEN DE M. ROLAND KOLTCHAKIAN..................................................................94

ANNEXE 2 – GUIDE D’ENTRETIEN DE M. HERVE DHELIN................................................................................95

ANNEXE 3 – GUIDE D’ENTRETIEN DE MME LAETITIA KOUADRIA...................................................................96

Introduction

90% de toutes les données dans le monde ont été créés durant les deux dernières

années. De nos jours la donnée est de partout, et elle est créée constamment, sur

internet, via les smartphones, via les objets connectés, lorsque l’on paye par carte…

et son rythme de croissance est exponentiel. Si cette croissance engendre des coûts

de stockage faramineux pour les entreprises du web que sont Google, Amazon,

Apple, et encore Facebook, ces données sont aussi une de leur plus grande

richesse. La donnée d’hier est la richesse d’aujourd’hui. Les technologies de

stockage et surtout les puissances de calcul de nos jours ont permis de créer des

solutions capables d’analyser ces données afin de pouvoir en tirer des informations

précieuses. Les big data sont nés.

Big data, ce terme anglo-saxon est apparu il y a quelques années déjà et fait son

apparition régulièrement lorsqu’éclate un scandale sur l’espionnage par les Etats

Unis. S’il est très connu comme une des techniques pour combattre le terrorisme ses

domaines d’application sont illimités. Astronomie, agriculture, météo, traffic, sécurité,

gestion de l’énergie, amélioration des défaillances des chaines de production,

recherche scientifique, médecine… il est impossible de citer toutes les utilisations

qu’il en est fait car elles ne cessent d’augmenter.

Il y a toutefois un domaine où l’on ne parle que de ça, c’est le marketing. Les

marketeurs ne jurent que par ça tant le potentiel des big data est immense. En effet

les big data sont le fait d’utiliser énormément de données afin de pouvoir en quelque

sorte prédire l’avenir, ou du moins anticiper les actions des consommateurs. Et qui

n’aurait pas rêvé de pouvoir savoir à l’avance à quel endroit du rayon du

supermarché les yeux du client vont se poser et quelle couleur va l’inciter à choisir le

produit, en fonction de la météo du jour, du résultat du match de foot de l’équipe

locale et du trafic en ville. Si cet exemple reste irréaliste il est représentatif de ce que

les big data sont capables de faire pour le marketing, à savoir donner toutes les clés

aux marketeurs afin de pouvoir vendre à la bonne personne, au bon moment, via le

bon canal.

1

C’est ce que nous allons étudier dans cette thèse à savoir comment en utilisant les

big data, les marketeurs vont-ils pouvoir améliorer le marketing dans une entreprise

sur un marché en B2B et de ce fait apporter de la valeur à leur entreprise.

2

Première partie : Concept de « big data »

3

I. L’ère de l’information

A. La généralisation d’internet

Aujourd’hui internet fait partie du quotidien de millions, voire de milliard de personnes

dans le monde. En 2015, « 42% de la population mondiale est connectée à

Internet1», cela représente près de « 3,025 milliards d’internautes 1». Sur cette

population 70% se connecte quotidiennement avec un temps de connexion moyen

de « 4,8 heures par jour via un ordinateur, et 2,1 heures via un mobile 1 ». Si ces

chiffres peuvent sembler impressionnants, ils ne sont rien comparés à la quantité de

données que cela représente. En effet, si la quantité de données présentes sur

internet à ce jour n’est pas quantifiable – 2,5 exabyte, soit 2,5 milliards de gigabytes

(GB) été créées par jour en 2012 d’après le géant de l’informatique IBM 2 - elle ne

cesse de croître à chaque action d’un individu, et ce sur internent et en dehors. Car

« chacun et chacune d’entre nous produit et transmet des données sur nous-mêmes.

Nous faisons cela en nous déplaçant passivement – notre comportement étant

enregistré par des caméras ou l’utilisation de notre carte – ou en nous connectant

sur notre ordinateur ou en surfant sur le net 3» sur notre smartphone. Cette

augmentation de données ou data a été très fortement accentuée par l’émergence

des réseaux sociaux. Comme le déclare Jean-Charles Cointot dans son ouvrage La

révolution Big Data « fin 2013, Facebook, Twitter, Google + et LinkedIn totalisaient à

eux seuls près de 2,5 milliards d’abonnés et YouTube fait état de plus d’un milliard

de visiteurs uniques chaque mois. 4». Lorsque l’on sait que pour une durée d’une

minute chaque jour, près de 277 000 tweets sont publiés, que les utilisateurs

Facebook partagent 2 460 000 contenus et qu’environ 72 heures de vidéos sont

chargées sur YouTube 5 et que l’ensemble de ces informations sont entièrement

stockées et analysées par ces géants du web on comprend mieux pourquoi d’après

1 BLOG DU MODERATEUR [en ligne]. [Consulté le 02/06/15]. Disponible sur Internet : http://www.blogdumoderateur.com/chiffres-internet/2 BBC [en ligne]. [Consulté le 02/06/15]. Disponible sur Internet : http://www.bbc.com/news/business-263830583 SCIENCE DAILY [en ligne]. [Consulté le 03/06/15]. Disponible sur Internet : http://www.sciencedaily.com/releases/2013/05/130522085217.htm4 COINTOT, Jean-Charles. LA RÉVOLUTION BIG DATA. Dunod. 2014. Page : 10. ISBN: 978-2-10-071142-05 DOMO [en ligne]. [Consulté le 03/06/15]. Disponible sur Internet : https://www.domo.com/learn/data-never-sleeps-2

4

une étude d’Oracle, comme le montre le graphique suivant, le volume de données

dans le monde va passer de 7 zettabytes (ZB) en 2015 soit sept mille milliards de

gigabytes, à près de 44 zettabytes en 2020.

Figure 1 - l'augmentation des data de 40% par an - d'après le site internet ATKearney [en ligne] [consulté le 03/06/2015] disponible sur internet http://www.atkearney.fr/strategic-it/ideas-insights/article/-/asset_publisher/LCcgOeS4t85g/content/big-data-and-the-creative-destruction-of-today-s-business-models/10192

B. La révolution du smartphone

D’après l’ITU (International Telecommunication Union), en 2015 le taux de

pénétration du mobile dans le monde était de 97% pour atteindre près de 7 milliards

de mobile contre 738 millions en 2000 6. En France, « le taux d’équipement est de

l’ordre de 112% et en Île-de-France de l’ordre de 175%. Grâce à la baisse des prix,

de plus en plus de gens ont deux téléphones, l’un privé et l’autre professionnel par

exemple.7 ». Cette inexorable croissance du mobile à travers le monde est une cause

principale de l’augmentation exponentielle du volume de données. En France, un 6 ITU : INTERNATIONAL TELECOMMUNICATION UNION [en ligne]. [Consulté le 03/06/15]. Disponible sur Internet : http://www.itu.int/en/ITU-D/Statistics/Documents/facts/ICTFactsFigures2015.pdf7 COINTOT, Jean-Charles. LA RÉVOLUTION BIG DATA. Dunod. 2014. Page : 19. ISBN: 978-2-10-071142-0

5

mobile sur deux est un smartphone8, les Français sont constamment connectés à

internet : envoi et réception d’emails, réseaux sociaux, itinéraires, téléchargement de

jeux, lecture de vidéos, achats en ligne… sont autant d’actions rendues possibles

pour quiconque possède un smartphone à portée de main. Si Big Brother n’est qu’un

fantasme pour certains ou une réalité pour d’autres, la réalité de la mémorisation

automatique de chaque action de chaque utilisateur est une réalité. Lorsque une

personne interagit sur un réseau social tel que Facebook ou Twitter tous les tweets,

statuts, partage d’informations avec sa communauté ou " Like " sur une page d’une

marque sont enregistrés. Si la majorité des utilisateurs ne prêtent que peu

d’importance aux informations qu’ils rendent ainsi disponibles, ce n’est pas le cas

des géants d’internet qui exploitent et analysent ces données afin de définir le profil

de l’utilisateur, de pouvoir le cibler et lui proposer les contenus et les publicités les

plus adaptés.

C. La règle des 3 V

Comme le rappelle Jean-Charles COINTOT dans son ouvrage La Révolution Big

data, le big data c’est bien évidement le traitement de très gros volumes de données.

Mais le big data est avant tout chose le traitement de très grosses données qui

proviennent surtout de différentes sources. « Analyser les millions

d’enregistrements stockés dans un entrepôt de données traditionnel, ce n’est pas du

big data, c’est une analyse volumineuse 9 ». C’est uniquement lorsque l’on croise

diverses sources d’informations dans des volumes de données importants que l’on

peut parler de big data. Par exemple : « Combiner les informations de consommation

des clients stockées dans un entrepôt de données avec les logs de navigation sur les

sites Web et les enregistrements de discussions d’un centre d’appel pour essayer

d’anticiper le départ d’un client, c’est du big data quelle que soit la taille des sources

d’information.9 »

8 ITU : INTERNATIONAL TELECOMMUNICATION UNION [en ligne]. [Consulté le 03/06/15]. Disponible sur Internet : http://www.cbnews.fr/etudes/toujours-plus-de-smartphones-et-tablettes-selon-mma-france-a10135289 COINTOT, Jean-Charles. LA RÉVOLUTION BIG DATA. Dunod. 2014. Page : 36. ISBN: 978-2-10-071142-0

6

D’après des spécialistes d’IBM, les big data se définissent par 3 propriétés qui les

caractérisent à divers degrés. On les appelle les 3 V pour : volume, vélocité, variété

et qui sont représentés dans le schéma suivant :

Figure 2– les 3V des big data - d'après le site internet blog.sqlauthority.com [en ligne] [consulté le 15/06/15] disponible sur internet http://blog.sqlauthority.com/2013/10/02/big-data-what-is-big-data-3-vs-of-big-data-volume-velocity-and-variety-day-2-

1. Volume

Le terme anglais « Big data » se traduit par grosses données en français ou

« mégadonnées 10» plus exactement comme cela a été décidé par la commission

générale de terminologie et de néologie le 22 août 2014 dernier. L’important volume

10 JOURNAL DU NET [en ligne]. [Consulté le 01/06/15]. Disponible sur Internet : http://www.journaldunet.com/solutions/dsi/big-data-megadonnees-0814.shtml

7

de données est la caractéristique première des big data et également la première

caractéristique qui vient à l’esprit lorsque l’on en parle. La capacité de traiter de très

larges quantités de données est l’un des principaux avantages des big data. Comme

le déclare Forbes11, avoir plus de données bat avoir des meilleurs modèles : si vous

deviez prévoir la météo, auriez-vous de meilleurs résultats en prenant en compte 300

facteurs ou seulement 6 facteurs. La réponse semble évidente. « Dans une approche

statistique basée sur l’échantillonnage, il faut savoir ce que l’on cherche pour que

l’échantillon soit représentatif. Dans une approche big data, il n’est pas besoin de

faire des hypothèses préconçues puisqu’on a toutes les données. L’important n’est

pas de réduire la taille des données à analyser mais au contraire d’associer le plus

de données possibles relatives de près ou de loin au phénomène que l’on souhaite

analyser. Plus il y aura de données, plus on a de chance de trouver une information

passée jusque-là totalement inaperçue. 12»

Le volume représente également l’un des principaux challenges pour les services IT

des sociétés. Avec l’apparition de nouveaux formats de données telles que les

données des réseaux sociaux, les données de navigation sur les sites internet, les

mobiles, la géolocalisation, les vidéos… etc de nombreuses entreprises ont acquis

des Terabytes voire des Petabytes de données dans leurs serveurs. Beaucoup de

sociétés possèdent parfois sans le savoir de vastes quantités de données archivées,

parfois sous forme de log mais peu d’entre elles possèdent les capacités de les

traiter. La problématique des sociétés face aux big data n’est donc pas de créer des

données mais plutôt de les regrouper et de les exploiter entièrement afin de pouvoir

extraire l’information qui sera passée jusque-là inaperçue.

Pour la plupart des données comme les informations relatives à l’identité d’une

entreprise ou d’une personne, elles sont statiques. D’autres, comme les échanges

entre les membres d’un forum ou d’un blog ont une fréquence de rafraîchissement

« assez faible allant de l’heure à la journée, d’autres enfin, comme les tweets, les

données de géolocalisation sont très dynamiques. Il faut pouvoir les traiter au fil de

l’eau. C’est la vélocité, deuxième caractéristique du big data.12 »

11 JOURNAL DU NET [en ligne]. [Consulté le 01/06/15]. Disponible sur Internet : http://www.forbes.com/sites/oreillymedia/2012/01/19/volume-velocity-variety-what-you-need-to-know-about-big-data/2/12 COINTOT, Jean-Charles. LA RÉVOLUTION BIG DATA. Dunod. 2014. Page : 45. ISBN: 978-2-10-071142-

8

2. Vélocité

Dans le passé, la vitesse de création des données ne nécessitait une mise à jour de

la base que tous les jours, voire toutes les semaines. Aujourd’hui, avec l’émergence

d’internet, sont apparus les réseaux sociaux et avec l’apparition des smartphones,

sont apparues les applications mobiles, ces deux vecteurs sont les principales

causes de la création en continu et en quantité importante de données. Les sociétés

qui sont capables de traiter et d’analyser en temps réel ce qui se passe et réagir en

fonction possèdent un avantage concurrentiel certain. C’est le cas du secteur de la

finance qui a depuis longtemps déjà mis des outils pour traiter l’information des

marchés en temps réel. Aujourd’hui des sociétés telles que Amazon ont également

mis en place des outils pour analyser en temps réel la navigation de leurs clients afin

de leurs préconiser des produits susceptibles de les intéresser en se basant sur les

produits visités par d’autres clients ayant le même profil.

3. Variété

Dans l’ouvrage récompensé du titre Bestseller par le Wall Street Journal et The New

York Time de Viktor Mayer-Schönberger et Kenneth Cukier intitulé Big Data: A

Revolution That Will Transform How We Live, Work, and Think 13 les auteurs

expliquent comment tout devient donnée. Ils appellent ce phénomène la datafication.

En effet avec le big data on ne se contente plus de traiter uniquement des données

mesurables et quantifiables bien organiser dans les lignes et colonnes de tableaux

Excel. Avec le big data le format des données n’a plus d’importance, texte, vidéos,

emails, sms, tweet, pdf, données brutes depuis un capteur… etc, toutes les données

peuvent être traitées. Si la donnée est un texte qui n’est pas tapé directement par un

outil de saisie alors il faudra lire l’image numérique avec des outils de

reconnaissance optique. « Par cette opération de traitement du texte brut, celui- ci

est devenu une donnée analysable, réutilisable, agrégeable à d’autres données pour

tout type de traitement. C’est ainsi que les blogs, les forums, les réseaux sociaux

sont devenus de vrais gisements d’informations sur les sentiments, les envies, les

13 Viktor MAYER-SCHÖNBERGER ; Kenneth CUKIER. BIG DATA: A REVOLUTION THAT WILL TRANSFORM HOW WE LIVE, WORK, AND THINK. John Murray. 2013. ASIN: B00GOHL9H6

9

irritants, les préférences, les intentions d’achat de leurs abonnés. 14» Ce processus

peut également être adapté à d’autres formats de données, Jean Charles COINTOT

donne un exemple concret de la manière dont une donnée telle que le son peut être

numérisée grâce à des outils de reconnaissance vocale comme le sont par exemple

Siri sur l’Iphone ou Google Voice Search. « On peut imaginer un abonné à un service

de télévision connectée qui se plaint de n’avoir pas pu regarder correctement un film

loué en vidéo à la demande, parce que la qualité de l’image était très mauvaise. La

reconnaissance vocale pourra déterminer qu’il n’est pas content, qu’il y a un

problème de qualité d’image et de le codifier sous forme de données. Ces données

seront combinées avec celles du réseau de l’opérateur pour vérifier qu’il y a bien un

problème de qualité et, grâce aux informations du client pour vérifier qu’il a bien loué

la vidéo dont il parle. On accédera peut-être également à son historique, pour savoir

si c’est la première fois que cela lui arrive, ou si c’est un problème récurrent sur cette

ligne. Ces recherches permettront au conseiller clientèle de savoir s’il s’agit d’un

fraudeur et donc de l’éconduire ou, à l’opposé, de reconnaître un client malchanceux

et lui proposer d’éventuelles compensations. Aujourd’hui, en général, le conseiller

sait qui vous êtes et connaît vos abonnements, mais n’a aucun moyen de savoir si ce

que vous dites est vrai – sauf s’il y a une panne générale de secteur. Si la mauvaise

qualité de votre expérience est due à un phénomène plus fin, il ne le sait pas.15 »

Le big data comporte trois types de données :

- Les données structurées qui correspondent à « l'ensemble des valeurs

possibles est déterminé et connu à l'avance. Par exemple, dans une base de

données rassemblant les résultats d'une enquête d'opinion, l'âge ou la

catégorie socioprofessionnelle des individus interrogés sont des données

structurées, car les tranches d'âges ou la liste des catégories

socioprofessionnelles possibles sont déterminées a priori. 16»

- Les données semi structurées qui regroupent les structures de description de

contenu comme le HTML ou le SGML qui n’ont pas de champ rigide mais qui

14 COINTOT, Jean-Charles. LA RÉVOLUTION BIG DATA. Dunod. 2014. Page : 49. ISBN: 978-2-10-071142-015 COINTOT, Jean-Charles. LA RÉVOLUTION BIG DATA. Dunod. 2014. Page : 51. ISBN: 978-2-10-071142-016 SYNOMIA [en ligne]. [Consulté le 02/06/15]. Disponible sur Internet : http://www.synomia.fr/fr/vision-et-techno/synomia-menu-la-data-non-structuree

10

possèdent des balises délimitant des champs. L’information n’est pas

organisée mais possède toutefois une structure identifiable.

- Les données non structurées, ou données complexes. Ce sont l’ensemble des

données comme le texte ou les images ou encore les enregistrements

sonores qui ne possèdent aucune structure identifiable et aucune logique

d’organisation d’un point de vue d’un ordinateur.

D. Les outils des big data

Nous avons étudié les différents bénéfices que pouvaient tirer chaque société en

fonction de leur industrie, nous avons également analysé les avantages des big data

pour les différents services d’une entreprise. Nous allons maintenant nous attarder

sur les différents outils qui compose le big data. En effet nous avons pu commencer

à apercevoir que le big data n’est pas uniquement un logiciel ou un moteur de

recherche qu’on lancerait et qui nous donnerait la réponse à toutes nos

problématiques, les big data sont complexes, lourds à mettre en place et les

solutions qui le composent sont aussi diverses que variées.

1. Infrastructure réseau

Dans les big data nous l’avons vu, le premier V est volume. C’est-à-dire que la

quantité de données est imposante. « Les avantages potentiels du Big Data côtoient

la nécessité d’accomplir des progrès significatifs sur le plan des infrastructures de

stockage et réseau nécessaires pour accompagner son essor. C’est le cas des

caméras de sécurité. Dans les aéroports, les responsables de la sécurité

commencent à envisager la possibilité de passer au format UltraHD ou 4K. Une telle

résolution permet de rechercher facilement des informations précises et détaillées

dans les flux vidéo, remplaçant les images noir et blanc granuleuses tout en

réduisant les risques de sécurité.

11

Tout en respectant les données de confidentialité et l’anonymat des personnes, il est

également possible d’utiliser des caméras 4K pour analyser le comportement des

consommateurs ou la circulation des piétons. Car ce format n’est pas réservé aux

téléviseurs XXXL présentés au salon au salon CES de Las Vegas !

Or, la résolution 4K exige un socle particulièrement solide. Une seule minute au

format 4K représente environ 5,3 Go ! À Londres par exemple, 7 000 caméras de

vidéosurveillance en 4K généreraient chaque jour quelque 52 pétaoctets, soit

plusieurs fois le volume de données stockées dans la bibliothèque du Congrès de

Washington. 17»

Avec les big data la problématique du stockage des masses de données rentrent

donc en compte. Mais ce n’est pas la seule problématique, même si aujourd’hui les

solutions de stockage à bas coût existent, telles que la sauvegarde sur des serveurs,

les technologies du big data nécessitent aussi des systèmes d’infrastructures

réseaux agiles avec des capacités d’écriture et de calcul élevées.

2. Les bases de données

Avec l’apparition des big data nous l’avons vu, est également apparu une très grande

variété de données. Ces données peuvent provenir de différentes sources, comme

les réseaux sociaux, des capteurs, les forums, mais aussi des conversations qui sont

numérisées. Ces données brutes sont donc dites non structurées, c’est-à-dire

qu’elles n’ont pas d’organisation, et ne peuvent pas être ordonnées afin de faciliter

leur traitement. Afin de pouvoir les analyser il a alors été nécessaire de créer

d’autres formats de stockage. Initialement, les données étaient stockées dans des

bases de données dites classique en SQL.

« SQL est l’acronyme de Structured Query Language. Il est connu depuis longtemps

de tous les acteurs de l’informatique qui ont eu à rechercher rapidement des

informations dans de grosses bases de données relationnelles (SGBD). Dans les

années 90, certains commerciaux dans des compagnies de logistique n’avaient ni

souris ni écran graphique, ni interface utilisateur pour rechercher certaines 17 JOURNAL DU NET [en ligne]. [Consulté le 19/06/15]. Disponible sur Internet : http://www.journaldunet.com/solutions/expert/61369/big-data--la-3eme-phase.shtml

12

informations stockées sur des serveurs souvent distants et reliés par des lignes

spécialisées : ils entraient au clavier des commandes SQL et étaient capables de

répondre à leur client sur la disponibilité de tel ou tel camion ou train en quelques

secondes. SQL est aujourd’hui largement utilisé, car étant un des dispositifs

d’organisation et d’interrogation de bases de données le plus structuré et le plus

rapide ; il se décline sous différentes appellations qui montrent qu’il y a des

adaptations diverses comme c’est notamment le cas de MySQL d’Oracle qui est le

plus gros concurrent de SQL de Microsoft. 18»

Pour les utiliser les données non structurées du big data, est apparu à partir de 2009

le terme NoSQL qui ne signifie pas "non SQL" mais plutôt "not only SQL".

« Les bases de données NoSQL adressent des enjeux différents de ceux des bases

de données relationnelles historiques. Ces bases de données de type NoSQL

viennent compléter (et non pas remplacer) les bases de données relationnelles qui

se heurtaient à des limites d’évolutivité et de performances dans des environnements

de données massives.

Avec la prolifération annoncée des objets connectés qui vont être autant de sources

de nouvelles données, la gestion de bases de données massives se posera de

manière accrue.

Les bases de données NoSQL se différencient du modèle SQL par une logique de

représentation de données non relationnelle qui se caractérise en général par : 38»

« D’importants volumes de données structurées et non structurées 38»

« Une multitude de requêtes simultanées 38»

« Une forte évolutivité de type scale out (évolution horizontale par rajout de

serveurs) 38»

« De hautes performances 38»

18 JOURNAL DU NET [en ligne]. [Consulté le 19/06/15]. Disponible sur Internet : http://blog.ontrack.fr/big-data-pourquoi-nosql/

13

« Pas de schéma (schema less). La base de données n’impose pas de

définition des éléments au sein d’un ensemble de données. 19»

Ce format beaucoup plus flexible c’est aujourd’hui imposé dans le domaine des big

data, comme un des formats de référence pour traiter les données complexes dans

de grand volume. D’autres formats de données ont également étaient développés

par des géants de l’informatique tel que le NewSQL développé par Google.

3. Hadoop et les outils de découverte des données

Les problèmes d’infrastructures résolus et les difficultés de stockage des données

non structurées traitées il a fallu également développer des outils capables d’aller

organiser et analyser ces vastes données. Pour les géants du web tels que Google,

Yahoo, Facebook, Ebay… il est très vite devenu primordial pour eux de trouver une

solution rapide et peu coûteuse capable d’aller organiser leurs données et d’en

retirer les informations voulues.

Il existe de nombreuses solutions sur le marché des big data, mais la solution la plus

commune est l’outil développé en Open Source : Hadoop.

Hadoop est une solution développée par Yahoo se basant sur des recherches de

Google. Hadoop n’est pas une solution en elle-même c’est davantage une plate-

forme composée de différents programmes comme on peut le voir sur le schéma

suivant :

19 DATA BLOG [en ligne]. [Consulté le 19/06/15]. Disponible sur Internet : http://entreprisesnumeriques.co/2015/02/12/le-big-data-exigera-des-bases-de-donnees-nosql-quelles-repoussent-encore-leurs-limites/

14

Figure 3 - Vue synthétique de l'outil Hadoop - d'après le site internet DATACONOMY [en ligne] [consulté le 19/06/15] disponible sur internet - http://dataconomy.com/hadoop-components-need-know/

Les 4 modules principaux qui composent l’outil sont :

- Hadoop Distributed File System (HDFS) : « HDFS est comme son nom

l’indique un système de fichiers distribué, c’est-à-dire que chaque machine

composant la grille Hadoop (cluster en anglais) va héberger une partie des

fichiers. Pour simplifier, on peut comparer HDFS à un RAID logiciel distribué

sur plusieurs serveurs. Ce système de fichiers possède une capacité

d’hébergement parfaitement linéaire (chaque octet de disque ajouté à la grille

peut participer à l’hébergement des fichiers), une forte tolérance à la panne,

par défaut, chaque fichier est présent en trois exemplaires distribués sur des

machines, des racks, voire des data-centers différents. De la même façon,

chaque machine apporte ses capacités en I/O au cluster et la grille est donc

capable d’absorber rapidement de grandes quantités d’écriture. 20»

- MapReduce 21: cet outil trouve son nom d’après les deux opérations qu’il

réalise. La lecture des informations dans la base de données, et la mise en

forme dans un format adapté pour l’analyse (Map), puis le rassemblement des

informations et leurs analyses pour donner un résultat simplifié (Reduce).

20 BLOG XEBIA[en ligne]. [Consulté le 19/06/15]. Disponible sur Internet : http://blog.xebia.fr/2013/11/13/panorama-des-technologies-big-data-it-expert-magazine/21 BLOG XEBIA[en ligne]. [Consulté le 19/06/15]. Disponible sur Internet : https://www.linkedin.com/pulse/20140709061649-64875646-what-the-heck-is-hadoop-and-why-you-should-know-about-it?trk=mp-author-card

15

- Hadoop Common 40: un outil permettant aux utilisateurs de lire les données

stockées sous le système Hadoop files.

- YARN 40: ce logiciel gère les ressources du système de stockage des données

et des analyses.

Hadoop est un outil utilisé par la plupart des sociétés traitant des grandes quantités

de données car c’est un outil très flexible et très peu coûteux comme il est en open

source, c’est-à-dire que tout le monde peut le modifier librement, et qu’il fonctionne

sur tous les serveurs informatiques, mêmes les bas de gamme.

4. Machine learning

En 1959, Arthur Samuel a défini le machine learning comme un champ d’étude qui

donne aux ordinateurs la capacité d’apprendre sans être explicitement

programmés.22

Si le machine learning est bien antérieur aux big data c’est bien grâce au

développement de ces derniers qu’il a retrouvé tout son intérêt. « Le machine

learning consiste à construire des systèmes qui apprennent les données qu’ils

reçoivent. Autrement dit, à partir d’un comportement initial, les algorithmes de

machine learning sont capables de se corriger et d’évoluer en fonction des faits dont

on les alimente. Ces systèmes sont le plus souvent basés sur des modèles

mathématiques, comme les réseaux bayésiens naïfs ou les réseaux neuronaux, pour

lesquels on va chercher un paramétrage optimal. La construction d’un système

comporte ainsi deux phases. La phase initiale consiste à entraîner la machine, à

partir d’un jeu de données connu. Une fois le système entraîné, il faut le confronter

au monde réel et l’évaluer régulièrement afin qu’il se corrige et s’améliore à chaque

nouvelle donnée reçue.23»

Parmi les utilisateurs du machine learning couplé aux big data on retrouve

notamment Amazon. Son moteur de recommandation qui suggère les articles les

22 BLOG XEBIA[en ligne]. [Consulté le 19/06/15]. Disponible sur Internet : http://dataconomy.com/understanding-big-data-machine-learning/23 BLOG XEBIA[en ligne]. [Consulté le 19/06/15]. Disponible sur Internet : http://blog.xebia.fr/2013/11/13/panorama-des-technologies-big-data-it-expert-magazine/

16

plus pertinents pour l’internaute en fonction de ses articles précèdent visionnés

"apprend" au fur et à mesure qu’il propose des articles et suivant les actions de

l’internaute.

Si le machine learning trouve tout son intérêt avec les big data c’est parce qu’avec la

masse de données, et l’évolution des puissances de calcul, le machine learning

permet d’améliorer avec signification la pertinence des prévisions des systèmes

apprenant.

5. Les outils de visualisation

Les big data n’ont aucun intérêt si l’analyse des résultats qu’ils fournissent n’est pas

compréhensible par une personne humaine. Comme l’explique Jean-Charles

COINTOT dans son ouvrage, « les représentations classiques de l’analyse

descriptive par des courbes, pour les séries temporelles, par des histogrammes pour

les variables continues, bâton pour les variables discrètes, camemberts pour les

pourcentages ne sont plus suffisantes. Elles étaient prévues pour des modèles à

deux voire trois dimensions maximum. 24». Avec les big data la quantité

d’informations à communiquer est beaucoup plus complexe. C’est pourquoi de

nouveaux modèles de visualisation des informations ont dû être développé tel que

les étoiles, les cubes ou encore les heatmap. Les heatmap sont des cartes qui

représentent les zones où les données analysées sont les plus élevées. Les

heatmap sont particulièrement utiles pour représenter du parcours client dans les

rayons des magasins comme c’est le cas sur l’image suivante. En utilisant les big

data on peut ainsi représenter de façon concrète le parcours des clients étant

également actifs sur les réseaux sociaux et ayant une carte de fidélité dans le

magasin.

24 COINTOT, Jean-Charles. LA RÉVOLUTION BIG DATA. Dunod. 2014. Page : 70. ISBN: 978-2-10-071142-0

17

Figure 4 - Heatmap du parcours client dans un magasin - d'après le site internet TYCO RETAIL SOLUTIONS [en ligne] [consulté le 24/06/15] disponible sur internet - http://www.tycoretailsolutions.com/Pages/ArticleDetail.aspx?ItemId=639

6. Les compétences humaines

Les big data nécessitent des compétences en mathématique et en statistiques

avancées. Il est également nécessaire d’avoir des compétences avec les outils

informatiques, mais également comprendre les enjeux marketing afin de pouvoir

produire des analyses permettant aux directions de l’entreprise de prendre des

décisions. Un nouveau profil de spécialiste des big data est apparu, le data scientist.

D’après IBM, le data scientist est une évolution des postes de data analyst, c’est-à-

dire que son rôle est d’analyser des données pour faire apparaitre des modèles et de

corrélations entre des évènements qui n’étaient pas identifiables à une petite échelle

mais qui sont significatifs. La différence, selon IBM, entre un data analyst et un data

scientist réside dans la capacité de ce dernier d’explorer les données de différentes

bases de données tandis que le data analyst tirera ses analyses d’une seule base tel

qu’un CRM 25.

25 IBM [en ligne]. [Consulté le 24/06/15]. Disponible sur Internet : http://www-01.ibm.com/software/data/infosphere/data-scientist/

18

Si le data scientist est au cœur des enjeux du big data c’est l’ensemble des

collaborateurs autour des projets big data qui doivent posséder des compétences en

la matière. En effet même si le data scientist doit être capable de communiquer avec

les dirigeants de l’entreprise et leurs fournir des analyses compréhensibles, ces

derniers doivent être en adéquation avec la stratégie big data afin de pouvoir utiliser

tous les avantages qu’ils offrent.

7. Benchmark des solutions

Il existe aujourd’hui une multitude de solutions sur le marché en France. Certaines

clés en main, d’autres en open source, ou encore en mode SaaS, c’est-à-dire que

toute la solution est dématérialisée et passe par le cloud. Dans le mapping suivant,

extrait d’une étude réalisée par le cabinet Markess International, on distingue

clairement les différentes catégories de solutions correspondants aux différents outils

qui composent les projets de big data.

On retrouve logiquement tous les géants de l’IT qui ont très rapidement créé ou

acquis, par l’achat de startup prometteuses, des solutions dédiées aux big data dans

ce marché qui est un marché d’avenir et représentant un chiffre d’affaire très

important. Dans les acteurs incontournables on retrouve notamment IBM, le géant

des solutions informatiques qui propose des solutions à tous les niveaux du projet,

de l’infrastructure réseau, à la business intelligence en passant par la gestion des

données. La société Apache avec sa technologie Hadoop est également très

présente tout comme SAP, Oracle, Microsoft ou encore Capgemini et même Amazon

avec son offre hébergé dans le cloud.

19

Figure 5 - d'après une étude de Markess International : Meilleures approches pour tirer parti du Big Data [en ligne] [consulté le 24/06/15] disponible sur internet : http://blog.markess.fr/2014/09/referentiel-de-pratiques-big-data-strategies-de-gouvernance-des- donnees.html

20

II. Les différents usages du big dataNous avons vu qu'une stratégie big data une fois implémentée dans une entreprise

devait lui permettre de gagner de la valeur. Cela ne signifie pas que les big data

peuvent uniquement servir dans une stratégie visant à augmenter le chiffre d’affaire

de l’entreprise. En effet l’utilisation des big data peut avoir lieu à tous les niveaux

d’une entreprise de la chaîne de production au marketing et surtout pour toutes les

industries du secteur de la santé à l’agriculture en passant par le monde de la

finance.

A. Le secteur des télécommunications

Le secteur des télécommunications est au cœur du digital. Les opérateurs

téléphoniques ont accès à des bases presque illimitées de données. Bien que la

plupart ne soit pas exploitable notamment pour des questions d’ordre juridique sur

les données privées, la plupart des données qui transitent par les téléphones,

télévisions sur IP et antennes relais sont stockées et analysées. Les opérateurs ont

pendant longtemps été en retard sur la connaissance de leurs clients car ils ont vécu

pendant les vingt dernières années sur un marché en croissance constante,

générant de fortes marges et avec une concurrence faible. Aujourd’hui, de nouveaux

entrants ont fait leur apparition et les clients sont beaucoup plus attentifs aux prix du

marché. C’est pourquoi les opérateurs ont mis à profit les bases de données

comportant toutes les informations sur les clients afin de chercher à comprendre

leurs attentes. « Fidélisation, connaissance client, système d’engagement sont

devenus le crédo de la profession. Au-delà de la fidélisation, les opérateurs

cherchent à prédire la probabilité qu’un client décide de passer chez un concurrent et

à réagir en conséquence. Ils ont un avantage sur les autres industries dans

la mesure où toutes nos communications passent par leur réseau et génèrent des

CDR ( call detail records ) dont ils ont connaissance. Ainsi grâce aux technologies

21

big data, il est possible de croiser l’analyse de ces enregistrements pour un abonné,

sa navigation sur les sites Web, l’enregistrement éventuel de ses conversations avec

le centre d’appel et de support et les « posts » envoyés sur des réseaux sociaux, afin

de les combiner avec des analyses plus traditionnelles de type sociodémographique

pour en déduire des comportements « à risque » du point de vue de l’opérateur26»,

c’est-à-dire le risque qu’un client ne quitte l’opérateur pour aller chez un concurrent.

En analysant le profil du client, l’opérateur est alors capable de mettre en place des

actions marketing personnalisées afin de retenir le client chez lui.

Outre les avantages marketing du big data pour les opérateurs de

télécommunication, le big data permet aussi aux acteurs de ce secteur de gérer plus

efficacement l’optimisation du réseau, et plus exactement la qualité du service et

l’optimisation automatique des réseaux. Auparavant les opérateurs disposaient

uniquement des informations transmises par les antennes qu’ils possédaient. Avec

les big data, ils sont désormais capables de traiter en temps réel des informations

semi structurées telles que celles fournies par les terminaux des utilisateurs ainsi que

celle de leur propre réseau. Le big data permet même d’aller encore plus loin. En

utilisant les informations concernant les pannes passées et les actions humaines

qu’il a été nécessaire de réaliser pour réparer le problème les machines

"apprennent", et sont capables de réaliser elles-mêmes les actions correctives sans

qu’un humain n’est besoin d’intervenir. Les pannes sont ainsi évitées ou réparées

instantanément avec un taux d’erreurs très faible fournissant ainsi une qualité de

service optimale et constante à l’ensemble des usagers.

B. Le secteur de l’énergie

Le secteur de l’énergie est un des secteurs les plus stratégiques tant par la

dépendance de la population mondiale à l’électricité au quotidien mais également par

la prise de conscience mondiale quant aux dangers d’une surexploitation des

ressources énergétiques fossiles et nucléaires. Depuis plusieurs années déjà, les

gouvernements ont pris conscience de l’enjeu énergétique et déploient des efforts

importants afin de réduire la production des gaz à effet de serre et de développer

26 COINTOT, Jean-Charles. LA REVOLUTION BIG DATA. Dunod. 2014. Page : 149. ISBN: 978-2-10-071142-0

22

l’utilisation des énergies renouvelables. L’un des principaux défis énergétiques est de

réguler la production d’électricité afin qu’elle soit le plus proche possible des besoins

réels. Actuellement l’électricité est produite en fonction de prévisions et des analyses

plus ou moins précises des besoins de la population. De l’électricité est envoyée sur

le réseau et tout ce qui n’est pas consommé est perdu. Afin de réduire ces pertes et

de diminuer la production d’énergie des réseaux dit intelligents ont été mis en place,

on les appelle également « smart grid ». Ces réseaux ont la particularité d’être dotés

de capteurs qui transmettent en temps réel des données sur la consommation et la

distribution de l’énergie. « Les données captées sont remontées à un niveau local,

régional ou central et analysées avec des technologies de big data pour réguler

manuellement ou automatiquement le réseau et ses différents niveaux.27»

L’utilisation des big data permet donc d’optimiser la production, les grosses centrales

électriques produisent de l’électricité en continu et leur production ne peut pas être

modifiée instantanément mais la production locale de l’énergie renouvelable peut

plus facilement être modulée et redirigée vers d’autres réseaux si besoin. Grâce à

l’analyse des besoins et contraintes des tous les acteurs l’acheminement, le

transport et la distribution seront également améliorés. En utilisant les données

météorologiques il est possible de calculer les capacités de production en énergie

solaire et éolienne au niveau local, et les besoins en énergie en fonction de la

connaissance de la consommation locale et ainsi d’améliorer la répartition des unités

de production en incluant les productions des particuliers.

De plus en plus de compteurs intelligents, c’est-à-dire qui remontent l’information

presque instantanément aux fournisseurs sont installés chez les consommateurs.

Ces données permettent aux fournisseurs de mieux comprendre la consommation

des clients et en croisant ces informations avec d’autres informations d’adapter leurs

offres tarifaires.

C. Le secteur bancaire

27 COINTOT, Jean-Charles. LA REVOLUTION BIG DATA. Dunod. 2014. Page : 157. ISBN: 978-2-10-071142-0

23

A l’instar du secteur des télécoms, les banques possèdent énormément de données

sur les clients. Mais leur avantage avec les opérateurs téléphoniques est qu’elles

possèdent des données relatives aux habitudes et aux comportements de

consommations des clients, règlement par carte ou par chèque, retrait, emprunt,

assurance, épargne, mais aussi les grandes étapes dans la vie des clients telles que

la construction d’une maison, la naissance d’un enfant, le mariage… autant de

données dites privées qui sont disponibles aux banques. D’après certains analystes,

les sociétés gérants les cartes de paiement telles que Visa, ou American express

« surveillent désormais les transactions pour savoir si vous présentez le profil de

quelqu’un qui s’apprête à divorcer. 28»

Si le secteur bancaire regroupe une vaste communauté de métiers très divers et

variés tels que les investissements, les banques privées ou publiques, les banques

de détails, nous allons nous intéresser principalement aux banques de détails.

Le premier avantage des big data pour les banques est la meilleure compréhension

de leur clients. Aujourd’hui plus encore les banques n’offrent pas uniquement un

moyen de protéger son argent. Les banques offrent des services personnalisés qui

répondent à de nombreux besoin de leurs clients, prêts à la consommation et à

moyen et long terme : assurances, compte courant, différents moyens de paiement

(carte de crédit, carte de paiement, chéquier, paiement en ligne sécurisé,…) mais

également différents moyens d’interactions tels que les agences, les centres

d’appels, les distributeurs automatiques, les sites internet… En analysant l’ensemble

des informations recueillies sur les habitudes de leurs clients, les banques sont

capables de fournir un service adapté avec des offres adaptées aux besoins des

clients.

D’après Gartner 29, les big data sont une des clés pour permettre aux banques de

résoudre leurs problèmes de fraudes et de sécurité. Toujours selon eux, l’analyse

des big data permet aux sociétés de combiner et croiser des données internes et

externes afin de pouvoir voir une image plus large des menaces contre leur

entreprise. Pour les banques il est essentiel de pouvoir le plus rapidement possible,

28 REINFORMATION.TV [en ligne]. [Consulté le 17/06/15]. Disponible sur Internet : http://reinformation.tv/big-data-surveiller-achats-predire-divorce-reve-visa/29 GARTNER [en ligne]. [Consulté le 16/06/15]. Disponible sur Internet : http://www.gartner.com/newsroom/id/2663015

24

accepter ou refuser une transaction, en identifiant correctement s’il y a fraude ou non

sans mettre en place des contrôles trop lourds qui rebuteraient les bon clients. En

utilisant les capacités des big data les banques pourraient ainsi réduire

considérablement les risques de fraudes bancaires qui coûtent près de 100 milliards

de dollars par an 30.

D. Le secteur du commerce

Pour l’auteur de l’ouvrage La révolution du big data, « Le commerce est sans doute

le secteur où le big data va le plus révolutionner les pratiques. Que ce soit pour la

gestion des magasins ou des sites marchands, la gestion du programme de fidélité,

des promotions, des réassorts, ou encore de la logistique, son usage impacte toutes

les activités du commerce. Cette révolution est en marche aux États- Unis, et

démarre en France. 31»

Pour les distributeurs, l’utilisation des big data impacte leur secteur sur trois axes

essentiellement :

- La gestion des stocks

- Le ciblage des produits pour les clients

- L’assortiment des magasins et des rayons

Le premier point, la gestion des stocks, se rapproche des avantages que tire

également le secteur de la logistique car tous comme les acteurs de ce secteur il est

très important pour les distributeurs d’avoir suffisamment de produits en stock pour

ne pas avoir de pénurie, ce qui peut entraîner le mécontentement des clients, sans

non plus avoir trop de stock, ce qui engendre des coûts supplémentaires. Grâce aux

big data, les distributeurs peuvent désormais analyser les données de diverses

sources afin de prévoir les ventes. Ils peuvent par exemple mettre en corrélation

leurs propres actions marketing ainsi que celles des concurrents, prendre en compte

30 THE GUARDIAN [en ligne]. [Consulté le 16/06/15]. Disponible sur Internet : http://www.theguardian.com/technology/2013/oct/30/online-fraud-costs-more-than-100-billion-dollars31 COINTOT, Jean-Charles. LA REVOLUTION BIG DATA. Dunod. 2014. Page : 181. ISBN: 978-2-10-071142-0

25

les informations glanées sur les réseaux sociaux sur les humeurs et les tendances

d’achats des clients, tenir également compte de la météo qui influe sur les achats

des consommateurs et incorporer les facteurs locaux tels que les matchs ou les

festivals.

L’autre avantage des big data est, tout comme pour les secteurs que nous avons

étudié précédemment, la connaissance client. A l’inverse du secteur bancaire qui

possède des informations sur l’ensemble des habitudes d’achat des consommateurs,

les chaînes de magasins possèdent uniquement des informations sur les achats

effectués dans leurs rayons. Toutefois le niveau de détail de ces informations est

beaucoup plus détaillé car les distributeurs ont accès aux tickets de caisse et donc,

au détail des produits qui composent le chariot de leurs clients. Grâce aux cartes de

fidélités, les magasins ont également la possibilité d’identifier les clients, ils peuvent

ainsi réaliser des offres promotionnelles ciblées. Avec l’avènement du e-commerce,

le client s’identifie pour faire ses courses en ligne ou les cookies de son ordinateur

permettent de l’identifier précisément. Pour le reste le principe est le même, à savoir

identifier le profil du client afin de mettre en avant les produits qui seront le plus

susceptibles de les intéresser afin de leurs faire consommer d’avantage.

Dernière utilisation pour les distributeurs des big data, l’analyse des déplacements

des clients dans les rayons, le temps passé devant chaque rayon, ses arrêts, ses

achats. Depuis toujours les magasins tentent de trouver le meilleur arrangement de

leurs rayons afin que le client puisse passer devant les produits qu’ils souhaitent

mettre en avant. En utilisant les données de géolocalisation de leur smartphone par

exemple ou grâce à des caméras et des capteurs situés dans les magasins les

géants de la distribution peuvent désormais analyser les données des déplacements

et croiser ces informations avec la composition des achats des clients.

E. Le secteur public

Le secteur public entend également tirer parti des avantages des big data. Dans une

étude de Markess, cinquante-trois décideurs d’organisations publiques interrogés

26

déclarent avoir des projets en cours sur l’utilisation des big data32. Si les contraintes

sont nombreuses, protections des données publiques, contraintes juridiques sur les

données personnelles, harmonisation des échanges entre les services, les

avantages de la mise en pratique de l’analyse des big data pourraient permettre au

gouvernement de faire des économies importantes. Les administrations ont accès à

des sources d’informations riches et variées, des données socio-démographiques de

leur ville, aux informations de la sécurité sociale en passant aux trafics routiers et les

transports en commun. Le gouvernement entend également ouvrir ces informations

aux citoyens afin d’offrir des possibilités de développement de solutions s’appuyant

sur ces « open data 33». Pour le gouvernement les avantages sont multiples :

Identification des fraudes fiscales ; Amélioration du système scolaire ; Organisation

des territoires, des systèmes de transport, des services aux citoyens ; mais aussi

Diminution de la criminalité. Les big data sont donc une priorité pour l’état français,

comme le prouve le "plan big data34" amorcée en juillet 2013 par Fleur Pellerin, alors

ministre en charge de l’économie numérique.

L’autre avantage retirer des big data par le gouvernement est indéniablement la

sécurité du territoire. Les Etats Unis en ont fait un fonds de commerce de leur

sécurité et lutte contre le terrorisme, ils exploitent toutes les informations qu’ils

peuvent récupérer sur les citoyens dans le monde entier. D’après un article du

monde, « aux Etats-Unis, avec les trois données que sont le code postal, la date de

naissance et le sexe, 90 % des personnes sont désormais identifiables.35 ». De

nombreux scandales ont démontré que les informations récoltées par les

gouvernements ne s’arrêtaient pas uniquement aux états civils des citoyens : sms,

appels, emails, mais aussi profil sur les réseaux sociaux, géolocalisation, les

informations laissées sur la toile par les citoyens sont une mine d’or pour les services

32 SYNOMIA [en ligne]. [Consulté le 16/06/15]. Disponible sur Internet : http://blog.administrationnumerique.markess.com/2014/07/projets-big-data-dans-le-secteur-public-des-avancees-sensibles/33 DATA.GOUV.FR [en ligne]. [Consulté le 17/06/15]. Disponible sur Internet : http://blog.administrationnumerique.markess.com/2014/07/projets-big-data-dans-le-secteur-public-des-avancees-sensibles/https://www.data.gouv.fr/fr/34 01NET.COM [en ligne]. [Consulté le 17/06/15]. Disponible sur Internet : http://pro.01net.com/editorial/599331/fleur-pellerin-detaille-son-plan-big-data/35 LEMONDE.FR [en ligne]. [Consulté le 17/06/15]. Disponible sur Internet : http://www.lemonde.fr/idees/article/2015/06/17/faisons-du-big-data-une-chance-pour-l-europe_4655737_3232.html

27

de renseignement et si certaines lois doivent protéger les données personnelles

beaucoup sont franchies au nom de la sécurité nationale.

F. 4 V et 5 V et…

Les 3 V sont à la base des big data, mais d’autres caractéristiques cruciales des big

data sont apparues avec un quatrième puis un cinquième puis un sixième voire

même un septième V selon certains spécialistes. Parmi les « autres V » que l’on

retrouve en plus des 3 qui forment la base nous pouvons mentionner :

- Véracité (Veracity) qui définit la qualité des données, bien qu'avec les big data

le volume prime sur le manque de qualité, cet aspect reste important afin

d’avoir des analyses justes et précises.

- Variabilité (Variability) à ne pas confondre avec la variété, la variabilité

correspond à la signification des données. Cela est le cas avec l’analyse

d’informations provenant des réseaux sociaux ou des forums, suivant le

contexte un même mot dans un tweet peut avoir une signification différente et

changer complètement le sentiment exprimé.

- Visualisation (Visualization), si la lecture des résultats n’est pas simplifiée et

clarifiée alors l’étude des résultats ne peut avoir lieu.

- Valeur (Value), avoir des big data et les exploiter ne fait pas tout pour une

entreprise c’est une perte de temps et de ressources à moins que l’entreprise

arrive à transformer ses big data en valeur pour son business.

G. Le secteur de la santé

Le secteur de la santé n’échappe pas non plus aux big data. D’après le « docteur

Eric Baseilhac, directeur des Affaires Economiques du Leem, l’un des principaux

syndicats de fabricants de médicaments, l’usage des Big Data dans la santé est une

révolution, qui va s’imposer et avoir un impact extrêmement structurant sur le

28

système de santé en général 36 ». Pour les acteurs de la santé les bénéfices sont

nombreux :

- Prévention des épidémies : comme le relate Viktor MAYER-SCHÖNBERGER et

Kenneth CUKIER, en 2009, quelques temps avant la crise sanitaire mondiale du

H1N1, des chercheurs de Google ont publié leurs recherches. Leurs recherches

visaient à développer un outil qui permettrait d’identifier en temps réel l’évolution

d’épidémies en se basant sur les recherches Google des gens infectés.

L’avantage de cet outil par rapport aux méthodes traditionnelles est le résultat en

temps réel de la propagation des épidémies alors qu’il faut près de 2 semaines

pour les organismes de santé pour recenser les maladies et dresser une carte,

déjà périmée donc, des personnes infectées. Aujourd’hui toujours, leur outil

fonctionne est permet de suivre l’état de la grippe dans le monde sur le site

internet dédié : google.org Flu Trends (http://www.google.org/flutrends).

Si cet outil n’est qu’un prototype de ce qu’il est possible de réaliser en utilisant de

vastes quantités de recherches comme celles que Google possèdent, on imagine

tout le potentiel des prédictions en utilisant les big data et en combinant

différentes sources d’information telles que les réseaux sociaux, les achats de

médicaments en pharmacie, les arrêts de travail, les appels téléphoniques aux

urgences. Avec un algorithme assez puissant et un accès à toutes les

informations il est tout à fait concevable de pouvoir identifier les débuts

d’épidémies le plus tôt possible et ainsi déployer les moyens nécessaires pour les

contenir.

- Diagnostiques médicaux : à une échelle plus réduite mais faisant appel à des

données tout aussi nombreuses on retrouve l’utilisation des big data pour soigner

des patients au cas par cas. C’est déjà le cas aux USA, à New York au Memorial

Sloan Kettering Cancer Center plus exactement. Dans cet institut médical les

médecins utilisent un outil créé par IBM, Watson, qui permet d’assister les

spécialistes dans leurs diagnostiques des patients et dans le choix des

traitements.37 Cette technologie repose sur l’analyse de millions de données de

36 FRENCHWEB [en ligne]. [Consulté le 17/06/15]. Disponible sur Internet : http://frenchweb.fr/e-sante-jusquou-ira-le-big-data-pour-nous-soigner/186343#5hLErJ2kvUxMmkgG.9937 FRENCHWEB [en ligne]. [Consulté le 17/06/15]. Disponible sur Internet : https://www.mskcc.org/blog/msk-trains-ibm-watson-help-doctors-make-better-treatment-choices

29

http://www.google.org/flutrends

cas passés de patients qui ont été traités. Bien plus qu’un simple assistant, la

machine apprend en fonction des nouvelles découvertes médicales du domaine

et améliore ses décisions.

- Prévention médicale : la compréhension du corps humain bien qu’elle ait

énormément évolué depuis le siècle dernier reste encore complexe et de

nombreuses maladies bien qu’elles puissent être traitées une fois identifiées ne

peuvent pas être anticipées. Avec les big data les chercheurs sont capables

d’aller puiser dans des milliards de données patients, du détail de leur génomes

jusqu’aux différents événements de leur vie et trouver des modèles récurrents.

C’est ce qu’explique le docteur Eric Baseilhac « Avec les données, on va être

capable de cibler les bonnes personnes en fonction du risque qu’elles ont de

développer telle ou telle maladie 38»

Le secteur des télécommunications, de l’énergie, bancaire, du commerce, et public

ne sont pas les seules industries d’application des big data. Le big data peut en

réalité s’appliquer à toutes les industries, de l’agriculture au sport, l’étendue de ses

applications n’a pas de limite et il ne serait pas surprenant de trouver les big data

dans toutes les entreprises dans quelques décennies.

De la même manière que chaque industrie pourra trouver des avantages qui lui sont

propres de l’utilisation des big data, le même procédé s’applique aux différents

services d’une entreprise. C’est pourquoi les ressources humaines d’une entreprise

pourront trouver des avantages aux big data qui ne seront pas les mêmes que ceux

que pourra trouver le département marketing ou le service logistique et transport.

H. Ressources humaines

Les ressources humaines sont un des domaines où l’usage de l’IT avait peu sa

place. Pourtant les mœurs sont en train de changer malgré le fait que « La culture IT

38 FRENCHWEB [en ligne]. [Consulté le 17/06/15]. Disponible sur Internet : http://frenchweb.fr/e-sante-jusquou-ira-le-big-data-pour-nous-soigner/186343#5hLErJ2kvUxMmkgG.99

30

des populations RH frise le zéro absolu 39», comme le déclare le spécialiste d’un

cabinet de conseil en transition numérique. Le capital humain d’une société est la clé

de son succès, sans collaborateurs efficaces et adaptés la plupart des sociétés se

verraient mettre la clé sous la porte rapidement. Le recrutement, la promotion

interne, et le taux de turnover sont trois facteurs essentiels qui peuvent être amélioré

par l’utilisation des big data.

Dans un article du Wall Street Journal de 201240, le journaliste rapporte le cas de la

société Xerox. La société possédait un call center et recrutait les candidats en

portant beaucoup d’importance sur les candidats qui possédaient une expérience

similaire. La société avait un taux de turnover très élevé ce qui lui posait problème

car l’investissement en formation des nouvelles recrues était de $5000 et il fallait que

le nouvel arrivant reste au minimum 6 mois pour que sa formation soit amortie. En

utilisant les big data, la société à découvert que les candidats avec une expérience

similaire n’était pas ceux qui démissionnaient le moins, bien au contraire. L’analyse

des résultats montraient que des candidats avec une personnalité créative été ceux

qui convenaient le mieux au profil du poste. En testant leur nouvelle théorie pendant

6 mois, la société a ainsi réduit de 20% le taux de turn over de ses effectifs. Cet

exemple démontre que en utilisant les big data et en recueillant suffisamment de

données sur le profil des candidats et le profil du poste, le choix des candidats lors

d’un entretien d’embauche peux améliorer le recrutement et donc les performances

d’une entreprise.

Certaines sociétés appliquent également les big data pour la promotion et la

formation de leurs employés. En croisant les informations sur les employés, leurs

profils psychologiques, leurs résultats dans l’entreprise, les informations externes à

l’entreprise telles que les réseaux sociaux… etc les sociétés peuvent déterminer quel

candidat est le mieux adapté pour évoluer sur tel ou tel poste ou encore quel

employé a besoin de recevoir telle ou telle formation afin d’être plus performant dans

ses missions.

39 MYRHLINE [en ligne]. [Consulté le 17/06/15]. Disponible sur Internet : http://www.myrhline.com/dossier-rh/big-data-et-ressources-humaines/article/le-big-data-en-rh-ca-sert-a-quoi.html40 WALL STREET JOURNAL [en ligne]. [Consulté le 18/06/15]. Disponible sur Internet : http://www.wsj.com/articles/SB10000872396390443890304578006252019616768

31

En France, l’utilisation des big data pour la sélection, ou la promotion des employés

restent encore taboue. Pourtant aux USA, de nombreuses sociétés utilisent déjà ces

technologies41. Même si de nombreux recruteurs ont peur que la machine prenne

leur place dans le recrutement des employés de demain ou s’ils doutent que des

chiffres peuvent remplacer leur intuition, la réalité a prouvé que même les

performances des hommes peuvent être prévisibles et quantifiable grâce à l’analyse

de données. Ce modèle s’applique même au domaine du recrutement de joueurs

sportif. Ce fut le cas dans le monde du baseball aux USA comme le relate le film de

Brad Pitt, Moneyball42, l’histoire des Red Sox de Boston qui ont utilisé l’analyse de

données sur les joueurs afin de constituer l’équipe la plus performante alors même

qu’ils ne possédaient pas un gros budget.

I. Production et logistique

Aujourd’hui de plus en plus de chaînes de production et de logistique sont en partie

voire totalement informatisées. Afin de contrôler le fonctionnement des chaînes de

production et de logistique et d’identifier les défaillances des machines, de nombreux

capteurs, puces RFID, systèmes de localisations sont installés afin de fournir en

temps réel des informations aux opérateurs. Les données sont donc d’ores et déjà

présentes dans les services production et logistique des entreprises. En production,

les directeurs d’usines peuvent utiliser les analyses avancées afin de creuser les

historiques des données des chaînes, identifier des récurrences et relations entre les

différentes étapes des procédés et ensuite optimiser les facteurs qui semblent avoir

les meilleurs effets sur le rendement43. Pour Jean-Charles COINTOT « dans les

usines, le big data permet de trouver les meilleurs réglages à partir de données

réelles collectées en masse dans le processus de production. Grâce aux outils de

visualisation, il devient possible d’observer ce qu’il se passe lorsque les réglages de

la chaîne de production varient ensemble.44 » Le lancement de nouveaux produits

41 WORK FORCE [en ligne]. [Consulté le 18/06/15]. Disponible sur Internet : http://www.workforce.com/articles/companies-making-hr-big-data-work42 WIKIPEDIA [en ligne]. [Consulté le 18/06/15]. Disponible sur Internet : https://en.wikipedia.org/wiki/Moneyball_(film)43 MCKINSEY [en ligne]. [Consulté le 16/06/15]. Disponible sur Internet : http://www.mckinsey.com/insights/operations/how_big_data_can_improve_manufacturing44 COINTOT, Jean-Charles. LA RÉVOLUTION BIG DATA. Dunod. 2014. Page : 124. ISBN: 978-2-10-071142-0

32

peut alors être simulé et modélisé et ainsi prévenir de toutes les erreurs de

conception que cela pourrait engendrer. Les big data permettent également de

prévenir le remplacement de pièces, c’est le cas pour Airbus qui utilisent les

centaines de capteurs présents dans ses avions afin d’analyser quelles pièces sont

susceptibles de devoir être changées en fonction de tous les facteurs extérieurs qui

peuvent rentrer en compte, on parle ici de maintenance préventive 45.

Les ressources humaines et la production et logistique ne sont pas les seuls services

de l’entreprise qui peuvent tirer profit des big data. Les services risques et fraudes

sont également amenés à utiliser cette technologie afin de détecter les mauvais

payeurs et d’anticiper les risques liés à leur entreprise. Autre département de

l’entreprise très demandeur des big data, le marketing et vente. C’est dans ce

domaine que le marketing est aujourd’hui le plus utilisé et nous évoquerons ses

bénéfices dans un autre chapitre.

45 L’USINE DIGITALE [en ligne]. [Consulté le 16/06/15]. Disponible sur Internet : http://www.usine-digitale.fr/article/les-big-data-ouvrent-l-ere-de-l-aeronautique-de-service.N334101

33

III. Big data et marketing

A. Le marketing prédictif et fidélisation

Parmi les avantages liés aux big data pour le marketing on distingue le marketing

prédictif. Si on devait résumer le marketing prédictif dans le monde de l’entreprise,

on le définirait comme l’analyse poussée des comportements actuels des clients

ayant pour objectif final d’anticiper leurs actions et de leurs suggérer des solutions

ultra adaptées.

D’après Yohan Stern, directeur général de Key Performance Group, « la magie du

marketing prédictif, c'est de faire passer les marketeurs de la prédiction basée sur

l'intuition et l'irrationnel à la prévision basée sur des données et des probabilités de

réussite. Traditionnellement, un marketeur utilise son intuition et sélectionne

arbitrairement quelques facteurs, qui doivent, selon toute vraisemblance, permettre

de créer des segments ou des scoring pertinents : l'âge pour tel vêtement de mode,

ou, encore, le sexe pour l'achat de tel produit au chocolat. 46»

Aujourd’hui, le marketeur n’est plus obligé de se baser uniquement sur son intuition

car il a accès aux données internes et externes sur ses clients et prospects en

provenance de différentes sources (réseaux sociaux, email, application mobile, site

web, forum…). En utilisant les puissances de calcul des big data et la capacité de

faire ressortir des corrélations entre des signaux faibles, le marketeur peut s’appuyer

sur des informations concrètes, basées sur des données en temps réel.

Avec un tel outil entre les mains il n’a pas été compliqué pour les marketeurs de

trouver des applications concrètes à leur métier tel que la fidélisation.

La fidélisation

46 EMARKETING.FR [en ligne]. [Consulté le 25/06/15]. Disponible sur Internet : http://www.e-marketing.fr/Thematique/digital-data-1004/Big-Data-10021/Breves/Tribune-Marketing-predictif-quand-Big-Data-anticipe-actions-consommateurs-252194.htm

34

Le taux d’attrition, c’est-à-dire le taux de clients qui quittent leur fournisseur pour se

tourner vers un concurrent, a toujours été une des préoccupations principales du

département marketing. Les raisons d’une rupture entre un client et un fournisseur

peuvent être multiples, le client peut trouver un prix plus attractif chez la concurrence

par exemple, il peut aussi ne plus être satisfait par le produit ou le service proposé

par son fournisseur, la relation client peut également s’être détériorée du fait d’une

mauvaise entente encore le client et son commercial, ou encore le client peut avoir

subi de nombreuses pannes ou désagrément avec les produits de la société… Il est

très compliqué de prédire si un client va rester fidèle ou non à son fournisseur et bien

souvent lorsqu’une entreprise s’aperçoit que son client veut la quitter pour la

concurrence il est déjà trop tard et même les actions marketing pour le retenir qu’elle

peut mettre en place ne peuvent réparer une décision d’un client de partir.

Le graal des entreprises serait d’être capable de prédire la perte d’un client et

d’anticiper si un client a prévu de les quitter afin, avant qu’il ne soit trop tard, de

mettre en place des actions marketing pour l’inciter à rester chez son fournisseur.

Malheureusement les boules de cristal n’ont toujours pas prouvées leur efficacité et

les machines à remonter le temps n’ont pas encore été inventées.

Toutefois avec les big data les entreprises ont découvert qu’il leur était maintenant

possible d’analyser les comportements de leurs clients non plus uniquement en se

basant uniquement sur les retours des commerciaux mais en utilisant l’ensemble des

points d’interaction entre le client et son fournisseur.

Une entreprise de télécom suisse, avait un taux d’attrition de 19 % alors que la

moyenne de leur secteur était située autour de 12%. Chaque année les équipes

marketing étaient obligées de déployer des efforts considérables afin de combler

cette perte de clientèle. Le directeur marketing décida de se tourner vers les big data

afin trouver une solution à ce problème. La première étape fut de collecter et

rassembler l’ensemble des données clients éparpiller entres les différents services

de l’entreprise tel que le service marketing, le service client et SAV ou encore le

service facturation. Lorsque ces données ont pu être analysées, les big data ont

permis de constater que la majorité des clients qui résiliait leur abonnement étaient

des clients qui partaient 11 mois après leur engagement. Plus important encore il

était possible en utilisant toutes les informations collectées par l’entreprise de trouver

35

des signaux faibles, c’est-à-dire des évènements dans les actions des clients

uniquement visible lorsque l’on croise l’ensemble des différentes données sur le

client et ce pour des milliers de clients, identifiable quelques mois avant que celui-ci

résilie son contrat. En mettant en place une série d’actions marketing chez ses

clients qui possédaient les signaux d’une probabilité élevée de rompre leur contrat,

l’entreprise a ainsi pu réduire son taux d’attrition de 19 % à 2 %.

Cet exemple est un exemple concret d’application des big data à la fidélisation client.

Les big data en utilisant des masses d’informations importantes sur des milliers de

clients arrivent à détecter des similitudes entre des profils de clients. En utilisant

également l’historique de clients déjà perdus on peut définir les indicateurs qui ont

précédé la perte d’un client et ainsi identifier les clients possédant ces signaux et

donc d’anticiper leur fuite.

B. Real-time marketing et native advertising

Le marketeur le sait, plus il est réactif plus son action aura d’impact sur le

consommateur. Cette théorie est aujourd’hui aisément vérifiable sur les réseaux

sociaux. Les marques cherchent à être le plus proche de leurs clients possible. En

adaptant leur communication en fonction de l’actualité récente les marques

cherchent à surfer sur les buzz du moment mais surtout à montrer aux

consommateurs qu’elles sont comme eux, connecté à la réalité du moment et

qu’elles peuvent réagir instantanément sur importe quel sujet. Les campagnes de

publicité couteuses et créés par des grandes agences de communication existent

toujours et continueront d’être diffusées sur les grandes chaines télévisées aux

heures de grandes écoute, mais les marques l’ont bien compris, une campagne de

publicité sur TF1 à 20h00 peut avoir autant d’impact qu’un Tweet ou un post ciglant

au bon moment, à la différence que le coût varie d’un extrême à un autre.

Cette action aujourd’hui de plus en plus populaire sur Twitter et Facebook « a connu

un essor fulgurant en 2013 lorsque la marque Oreo, en pleine finale du Super Bowl,

36

a rebondi quasi-instantanément à une coupure d’électricité durant le match avec un

tweet devenu un vrai cas d’école : Power Out? No Problem. You can still dunk in the

dark. En capitalisant sur un événement sportif planétaire, la marque a obtenu plus de

15 000 retweets. Pour un investissement minime, comparativement au coût de

diffusion d’un spot TV sur les chaînes américaines durant cet événement, qui s’élève

en moyenne à 4 millions de dollars. 47» Tweet que l’on retrouve sur l’image suivante.

Figure 6 - Un tweet de la marque ORÉO en plein Super Bowl- d'après le site internet E-MARKETING.FR [en ligne] [consulté le 07/07/15] disponible sur internet - http://www.e-marketing.fr/Thematique/Direct-Digital-1003/Tribunes/le-real-time-marketing-a-lheure-des-medias-sociaux-246136.htm

47 WEBMARKETING-COM.COM [en ligne]. [Consulté le 07/07/15]. Disponible sur Internet : http://www.webmarketing-com.com/2015/04/03/36983-big-data-5-exemples-de-son-utilisation-marketing

37

Si poster des statuts ou tweet instantanément ne requiert pas l’utilisation des big

data ce n’est pas le cas des annonces display. Elles sont partout, sous forme

d’image, de GIF ou encore de vidéos, les sont présentes sur les blogs, ou les sites

internet et mêmes au début des vidéos YouTube.

La bannière ou annonce display reste un moyen efficace de capter l’attention du

consommateur et de communiquer pour une marque et/ou de ramener le client vers

le site web désiré.

Depuis fort longtemps déjà les marketeurs ont mis en place des cookies, ces balises

internet chargées de collecter les informations de navigation sur l’internaute afin de

pouvoir le définir et ainsi lui proposer de la publicité ciblé par exemple. Ainsi lorsque

l’on navigue sur Amazon à la recherche de la dernière paire de bottes tendance par

exemple, il n’est pas rare de voir réapparaitre ces mêmes bottes dans une bannière

publicité alors qu’on est en train de lire un article sur un blog de jardinage. De très

nombreux site de e-commerce tel que Amazon, Cdiscount, La FNAC, ou encore

EBay utilisent les bannières web afin de promouvoir leurs produits qu’ils affichent sur

des sites à fort trafic tel que Facebook, Google, ou LeMonde.fr.

Si les cookies réalisent parfaitement leur travail de tracking et de collecte

d’informations sur les visiteurs, les big data apportent l’analyse de l’ensemble des

paramètres de l’environnement. En effet le contenu publicitaire d’une annonce

display aura beaucoup plus d’impact sur un visiteur si son contenu prend en compte

premièrement le profil du visiteur en utilisant son historique de navigation comme les

cookies le font actuellement mais également le site internet sur lequel la bannière va

être mise en avant. En analysant le contenu d’une page web d’un article de presse

par exemple, c’est-à-dire en utilisant la capacité d’analyse de texte des big data, la

publicité peut cibler le visiteur et promouvoir une annonce en rapport avec

l’information qu’il recherche au même moment ce qui aura un effet beaucoup plus

important dans l’esprit de l’internaute que si il voyait apparaitre ses bottes d’Amazon

qu’il a vu la veille alors qu’il est concentré pour rechercher des informations sur la

culture de son potager.

38

C. Le ciblage

Toutes les entreprises, à l’exception peut-être de certaines sociétés et start-ups,

possèdent de multiples clients depuis plusieurs années. Chaque client est unique et

différent. Toutefois, les clients d’une entreprise ont des besoins similaires et

possèdent donc des similitudes dans leur profil.

La majorité des sociétés ont accumulé au fil des années beaucoup d’informations sur

leurs clients. Le service marketing par exemple possède des informations sur le

portefeuille client de l’entreprise, le service commercial possède également des

informations sur les prospects et clients contenues dans son CRM qui est rempli par

les commerciaux. Le service facturation également, tout comme le service achat

dans sa relation avec les fournisseurs possède des informations sur les factures et

paiements des clients. Si toutes ses données sont rassemblées et analysées il est

alors possible de dresser un profil type de client de l’entreprise et même de définir

des profils de client avec des potentiels de chiffre d’affaire important.

En utilisant les big data, les entreprises cherchent à retrouver des caractéristiques

entres leurs clients existants et les prospects qui composent leur base. Cette

méthode semblable à du scoring, déjà utilisé dans de nombreuses entreprises, utilise

les capacités des big data d’extraire de l’information de sources qui n’étaient pas

exploitables auparavant tel que les commentaires mis dans le CRM ou encore les

informations laissées sur internet par le prospect.

Les entreprises peuvent ainsi cibler plus précisément encore les prospects qui

représentent les plus gros potentiels de chiffre d’affaire dans l’avenir mais également

les solutions et produits qui seront susceptibles de les intéresser d’avantage.

Avec les big data le marketeur possède une vision à 360° du client pour comprendre

comment il raisonne afin de réaliser la bonne action, au bon moment, vers la bonne

cible et qui va permettre au consommateur de réaliser un acte d’achat. Les big data

ne sont pas une révolution des pratiques marketing déjà existantes. C’est davantage

une évolution des techniques actuelles avec des outils permettant d’être plus précis,

d’anticiper, et d’être plus réactif afin d’améliorer les recettes de l’entreprise.

39

Seconde partie : Les big data face

aux professionnels

40

****CONFIDENTIEL****

41

Troisième partie : L’utilisation des big data dans l’entreprise Cofely

Ineo

&

42


43

Bibliographie

Ouvrages :

COINTOT, Jean-Charles. LA RÉVOLUTION BIG DATA. Dunod. 2014. ISBN: 978-2-

10-071142-0

Viktor MAYER-SCHÖNBERGER ; Kenneth CUKIER. BIG DATA: A REVOLUTION

THAT WILL TRANSFORM HOW WE LIVE, WORK, AND THINK. John Murray. 2013.

ASIN: B00GOHL9H6

Sources web :

01NET.COM [en ligne]. [Consulté le 17/06/15]. Disponible sur Internet :

http://pro.01net.com/editorial/599331/fleur-pellerin-detaille-son-plan-big-data/

BBC [en ligne]. [Consulté le 02/06/15]. Disponible sur Internet :

http://www.bbc.com/news/business-26383058

BLOG DU MODERATEUR [en ligne]. [Consulté le 02/06/15]. Disponible sur Internet :

http://www.blogdumoderateur.com/chiffres-internet/

blog xebia[en ligne]. [Consulté le 19/06/15]. Disponible sur Internet :

http://blog.xebia.fr/2013/11/13/panorama-des-technologies-big-data-it-expert-

magazine/


http://dataconomy.com/understanding-big-data-machine-learning/


https://www.linkedin.com/pulse/20140709061649-64875646-what-the-heck-is-

hadoop-and-why-you-should-know-about-it?trk=mp-author-card

BLOG.TERADATA [en ligne]. [Consulté le 08/07/15]. Disponible sur Internet :

http://blogs.teradata.com/data-points/evaluating-and-planning-for-the-real-costs-of-

big-data/

44

data blog [en ligne]. [Consulté le 19/06/15]. Disponible sur Internet :

http://entreprisesnumeriques.co/2015/02/12/le-big-data-exigera-des-bases-de-

donnees-nosql-quelles-repoussent-encore-leurs-limites/

DATA.GOUV.FR [en ligne]. [Consulté le 17/06/15]. Disponible sur Internet :

http://blog.administrationnumerique.markess.com/2014/07/projets-big-data-dans-le-

secteur-public-des-avancees-sensibles/https://www.data.gouv.fr/fr/

DOMO [en ligne]. [Consulté le 03/06/15]. Disponible sur Internet :

https://www.domo.com/learn/data-never-sleeps-2

EMARKETING.FR [en ligne]. [Consulté le 25/06/15]. Disponible sur Internet :

http://www.e-marketing.fr/Thematique/digital-data-1004/Big-Data-10021/Breves/

Tribune-Marketing-predictif-quand-Big-Data-anticipe-actions-consommateurs-

252194.htm

frenchweb [en ligne]. [Consulté le 17/06/15]. Disponible sur Internet :

http://frenchweb.fr/e-sante-jusquou-ira-le-big-data-pour-nous-soigner/

186343#5hLErJ2kvUxMmkgG.99

frenchweb [en ligne]. [Consulté le 17/06/15]. Disponible sur Internet :

https://www.mskcc.org/blog/msk-trains-ibm-watson-help-doctors-make-better-

treatment-choices

GARTNER [en ligne]. [Consulté le 16/06/15]. Disponible sur Internet :

http://www.gartner.com/newsroom/id/2663015

IBM [en ligne]. [Consulté le 24/06/15]. Disponible sur Internet : http://www-

01.ibm.com/software/data/infosphere/data-scientist/

ITU : INTERNATIONAL TELECOMMUNICATION UNION [en ligne]. [Consulté le

03/06/15]. Disponible sur Internet : http://www.cbnews.fr/etudes/toujours-plus-de-

smartphones-et-tablettes-selon-mma-france-a1013528

ITU : INTERNATIONAL TELECOMMUNICATION UNION [en ligne]. [Consulté le

03/06/15]. Disponible sur Internet :

http://www.itu.int/en/ITU-D/Statistics/Documents/facts/ICTFactsFigures2015.pdf

45

JOURNAL DU NET [en ligne]. [Consulté le 01/06/15]. Disponible sur Internet :

http://www.forbes.com/sites/oreillymedia/2012/01/19/volume-velocity-variety-what-

you-need-to-know-about-big-data/2/

JOURNAL DU NET [en ligne]. [Consulté le 01/06/15]. Disponible sur Internet :

http://www.journaldunet.com/solutions/dsi/big-data-megadonnees-0814.shtml

journal du net [en ligne]. [Consulté le 19/06/15]. Disponible sur Internet :

http://blog.ontrack.fr/big-data-pourquoi-nosql/

journal du net [en ligne]. [Consulté le 19/06/15]. Disponible sur Internet :

http://www.journaldunet.com/solutions/expert/61369/big-data--la-3eme-phase.shtml

L’USINE DIGITALE [en ligne]. [Consulté le 16/06/15]. Disponible sur Internet :

http://www.usine-digitale.fr/article/les-big-data-ouvrent-l-ere-de-l-aeronautique-de-

service.N334101

LEMONDE.FR [en ligne]. [Consulté le 17/06/15]. Disponible sur Internet :

http://www.lemonde.fr/idees/article/2015/06/17/faisons-du-big-data-une-chance-pour-

l-europe_4655737_3232.html

LEMONDEINFORMATIQUE.FR [en ligne]. [Consulté le 19/07/15]. Disponible sur

Internet : http://www.lemondeinformatique.fr/actualites/lire-les-salaires-des-8-

competences-les-plus-recherchees-en-big-data-56610-page-1.html

MCKINSEY [en ligne]. [Consulté le 16/06/15]. Disponible sur Internet :

http://www.mckinsey.com/insights/operations/how_big_data_can_improve_manufact

uring

myrhline [en ligne]. [Consulté le 17/06/15]. Disponible sur Internet :

http://www.myrhline.com/dossier-rh/big-data-et-ressources-humaines/article/le-big-

data-en-rh-ca-sert-a-quoi.html

REINFORMATION.TV [en ligne]. [Consulté le 17/06/15]. Disponible sur Internet :

http://reinformation.tv/big-data-surveiller-achats-predire-divorce-reve-visa/

SCIENCE DAILY [en ligne]. [Consulté le 03/06/15]. Disponible sur Internet :

http://www.sciencedaily.com/releases/2013/05/130522085217.htm

46

SITE INTERNET DE COFELY [en ligne]. [Consulté le 15/07/15]. Disponible sur

Internet : http://cofely-gdfsuez.com/profil

SYNOMIA [en ligne]. [Consulté le 02/06/15]. Disponible sur Internet :

http://www.synomia.fr/fr/vision-et-techno/synomia-menu-la-data-non-structuree

SYNOMIA [en ligne]. [Consulté le 16/06/15]. Disponible sur Internet :

http://blog.administrationnumerique.markess.com/2014/07/projets-big-data-dans-le-

secteur-public-des-avancees-sensibles/

THE GUARDIAN [en ligne]. [Consulté le 16/06/15]. Disponible sur Internet :

http://www.theguardian.com/technology/2013/oct/30/online-fraud-costs-more-than-

100-billion-dollars

wall street journal [en ligne]. [Consulté le 18/06/15]. Disponible sur Internet :

http://www.wsj.com/articles/SB10000872396390443890304578006252019616768

WEBMARKETING-COM.COM [en ligne]. [Consulté le 07/07/15]. Disponible sur

Internet : http://www.webmarketing-com.com/2015/04/03/36983-big-data-5-

exemples-de-son-utilisation-marketing

Wikipedia [en ligne]. [Consulté le 18/06/15]. Disponible sur Internet :

https://en.wikipedia.org/wiki/Moneyball_(film)

work force [en ligne]. [Consulté le 18/06/15]. Disponible sur Internet :

http://www.workforce.com/articles/companies-making-hr-big-data-work

47

Table des illustrations

Figure 1 - l'augmentation des data de 40% par an - d'après le site internet ATKearney [en ligne] [consulté le 03/06/2015] disponible sur internet http://www.atkearney.fr/strategic-it/ideas-insights/article/-/asset_publisher/LCcgOeS4t85g/content/big-data-and-the-creative-destruction-of-today-s-business-models/10192............................................................................................................4

Figure 2– les 3V des big data - d'après le site internet blog.sqlauthority.com [en ligne] [consulté le 15/06/15] disponible sur internet http://blog.sqlauthority.com/2013/10/02/big-data-what-is-big-data-3-vs-of-big-data-volume-velocity-and-variety-day-2-....................................................................6

Figure 3 - Vue synthétique de l'outil Hadoop - d'après le site internet DATACONOMY [en ligne] [consulté le 19/06/15] disponible sur internet - http://dataconomy.com/hadoop-components-need-know/...................................................................................................................................................14

Figure 4 - Heatmap du parcours client dans un magasin - d'après le site internet TYCO RETAIL SOLUTIONS [en ligne] [consulté le 24/06/15] disponible sur internet - http://www.tycoretailsolutions.com/Pages/ArticleDetail.aspx?ItemId=639.......................................17

Figure 5 - d'après une étude de Markess International : Meilleures approches pour tirer parti du Big Data [en ligne] [consulté le 24/06/15] disponible sur internet : http://blog.markess.fr/2014/09/referentiel-de-pratiques-big-data-strategies-de-gouvernance-des- donnees.html.......................................................................................................................................19

Figure 6 - Un tweet de la marque ORÉO en plein Super Bowl- d'après le site internet E-MARKETING.FR [en ligne] [consulté le 07/07/15] disponible sur internet - http://www.e-marketing.fr/Thematique/Direct-Digital-1003/Tribunes/le-real-time-marketing-a-lheure-des-medias-sociaux-246136.htm..............................................................................................36

Figure 7 - Organigramme du Groupe GDF SUEZ (ENGIE) - D'après la plaquette de présentation de Cofely Ineo - Disponible en ligne : http://www.cofelyineo-gdfsuez.com/medias_publications...........61

Figure 8 - Capture d'écran du CRM du service marketing d'Ineo Digital..............................................70

Figure 9 - Capture d'écran du CRM du service marketing d'Ineo Digital..............................................70

48

Annexes


Thibault PAILLIERCOMMENT LES BIG DATA VONT AMELIORER LE MARKETING DANS LES ENTREPRISES EN B2B ?

RésuméDans cette thèse nous allons nous intéresser aux avantages de l’utilisation des big data dans une entreprise située sur un marché B2B.

Nous analyserons dans un premier temps via des études d’ouvrages comment les big data s’appliquent dans divers domaines tels que l’énergie, la télécommunication ou encore la santé et dans un second temps plus particulièrement dans différents services d’une entreprise tels que la logistique ou les ressources humaines.

Nous étudierons plus en détail l’application des big data dans le marketing et nous confronterons nos recherches par des interviews de professionnels spécialisés en big data ainsi que l’interview d’une personne travaillant au sein de l’entreprise Cofely Ineo Digital qui n’utilise pas les big data.

Nous nous attarderons sur le cas de cette société et nous étudierons comment les big data peuvent apporter de différentes manières des améliorations au marketing dans cette société.

Mots clés :

big data, marketing, B2B, avantages, données, acquisition, ciblage, connaissance clients, fidélisation, data mining, analyse prédictive,

Résumé en anglaisIn this thesis we will look at the advantages of the use of big data in a company in a B2B market.

At first we will analyze through studies of books how big data apply in various fields such as energy, telecommunications or health and in a second time especially in different company

49

services such as logistics or human resources.

We will study in detail the application of big data in marketing and we will confront our research by the interviews of specialized professionals in big data and an interview with a person working in the company Cofely Ineo Digital that does not use the big data.

We will focus on the case of this company and we will study how big data can bring in different ways improvements to the marketing in this company.

Keywords:

big data, marketing, B2B, benefits, data acquisition, targeting, customer knowledge, customer loyalty, data mining, predictive analytics,

50

Thèse professionnelle - COMMENT LES BIG DATA VONT AMELIORER LE MARKETING DANS LES ENTREPRISES EN...

Marketing

Transcript of Thèse professionnelle - COMMENT LES BIG DATA VONT AMELIORER LE MARKETING DANS LES ENTREPRISES EN...