AccueilDATA TRENDSL’APPORT DE LA DATA LORS DE LA RéFLEXION STRATéGIQUE

L’apport de la data lors de la réflexion stratégique


Publié le 15/05/2017

Image actu

A l'occasion de la semaine de la data Publicis ETO x INfluencia, retrouvez chaque jour un bénéfice pour booster votre marketing. Dans cette première partie, on s'intéresse à l’ensemble des méthodes relevant de la data-science permettent de transformer la data brute en smart data. Naturellement, ces approches sont utilisées lors de la réflexion stratégique pour alimenter les planneurs en insights.


Avant de se lancer dans l’étape de conception d’un dispositif marketing ou communication, il est nécessaire d’approfondir la connaissance du marché et notamment des cibles visées par le dispositif. C’est le job du planneur stratégique. Il est la personne chargée d'élaborer les stratégies de communication d'une marque et d'en orienter l'exécution créative. Traditionnellement, le planneur stratégique se nourrit essentiellement de travaux réalisés par différents instituts d’études, de prospectives ou encore de cabinets de tendances. Depuis quelques années, la data devient un outil structurant pour nourrir la réflexion des planneurs grâce à la détection possible de comportements réels du consommateur qui deviennent des empreintes, des signaux à interpréter et à exploiter.

 

Via l’exploitation judicieuse de données, il est possible par exemple d’identifier de nouveaux insights consommateurs et de les quantifier. Un insight est une opinion, une attente, une motivation, une crainte, une émotion… présente et détectée chez les consommateurs d’un produit ou d’un service. Détecter l’insight peut servir à orienter les discours publicitaires et la stratégie de commercialisation. Grâce à la data, l’histoire marketing est pertinente et percutante.

 

La data permet également :

 

- d’identifier de nouvelles cibles de clients potentiels ;

 

- de détecter des moments clés pour vendre un produit ou un service ;

 

- de définir une stratégie de contenus adaptée à une cible et d’optimiser la création des messages ;

 

- de mieux comprendre la perception qu’ont les consommateurs d’une marque.

 

 

Comment ?

 

Pour rechercher de nouveaux insights, l’analyse sémantique de corpus textuels est extrêmement intéressante. L’idée est d’analyser des textes produits par les consommateurs cibles pour en faire ressortir les éléments les plus récurrents et/ou les plus innovants (signaux faibles). C’est ce qu’on appelle le topic modeling. Le rendu final est une liste de thèmes résumant le mieux l’ensemble des textes étudiés. Les corpus utilisés sont très divers : conversations collectées sur les réseaux sociaux, verbatims clients, requêtes tapées sur les moteurs de recherche, contenus thématiques postés sur les blogs et forums, commentaires…

 

La démarche se fait en 5 phases :

 

- il faut d’abord préciser le périmètre et les objectifs de l’étude ;

 

- il faut ensuite collecter les différents contenus qui seront analysés ;

 

- ces derniers sont déversés dans une structure adaptée, un data lake le plus souvent ;

 

- des algorithmes sont alors utilisés pour mettre en évidence des éléments statistiques (itérations, corrélation, etc.) ;

 

- une équipe, généralement composée d’un data scientist et d’un planneur stratégique va analyser et interpréter les résultats obtenus. L’objectif est d’identifier les nouveaux insights ou de confirmer des intuitions à même de nourrir la réflexion stratégique.

 

 

De son côté, l’identification de nouvelles cibles peut faire appel à des analyses plus poussées sur des corpus de données mixant données textuelles, données socio-démographiques, voire des données comportementales (achats réalisés, comportement digital, etc.).

 

 

Outils nécessaires :

 

Des outils d’extraction de la donnée Web ou crawlers ; les outils de Social Listening du marché peuvent – en plus de leurs fonctionnalités classiques – jouer le rôle de super-crawlers de données sociales ; Un data lake, c’est-à-dire une infrastructure permettant le stockage de données non structurées ; Un logiciel d’analyse de données et /ou des outils de programmation (Python …).

 

 

Case study : marque de luxe

 

En lançant une écoute sociale sur un périmètre international auprès des Millennials, nous avons récupéré des millions de verbatims sur les réseaux sociaux. Grâce à du topic modeling, nous avons relevé plusieurs thèmes d’intérêt pour la cible des Millennials. Nous avons réalisé 6 portraits-types de Millennials ayant une forte affinité avec la marque, avant d’associer à chaque portrait les sujets populaires qui lui sont propres.

 

 

Marketing planning

 

Avec l’hyper-fragmentation des médias, l’un des nouveaux défis est de gérer les investissements marketing. Les points de contacts se sont multipliés (site internet, réseaux sociaux, applications smartphone, publicité online et offline, points de vente physiques…) et les consommateurs naviguent et exploitent tous ces points de contact dans leurs parcours de consommation. Toucher vos cibles au bon moment et au bon endroit nécessite une approche de plus en plus complexe. La data est désormais incontournable pour évaluer et prédire le meilleur mix marketing. Elle permet d’optimiser la planification des parcours clients de manière transversale sur l’ensemble des points de contact entre la marque et ses différentes cibles.

 

 

Comment

 

Pour adresser cette complexité, les méthodes marketing-communication traditionnelles ne fonctionnent plus. Il est nécessaire d’exploiter de nouvelles méthodologies dans lesquelles la data tient une place essentielle.

 

 

A / Définition des personae

 

La création de personae est incontournable pour comprendre les consommateurs : leurs besoins, leurs habitudes de consommation et leurs caractéristiques. C’est un outil qualitatif qui permet de se projeter, mais l’idéal est de construire ces personae sur la base des données disponibles, de façon à ce qu’ils soient activables.

 

Voici un exemple de persona activable sur un sujet mode : « Marie, 30 ans, cadre supérieure, revenus médians, célibataire, un enfant. Digital native, très active sur les réseaux sociaux. Ne se sépare jamais de son iPhone. Enrichit sa garde-robe deux fois par an. Budget vestimentaire moyen : 1000€ /an. Suit les recommandations des bloggeuses mode… ». Le persona peut être plus ou moins corrélé avec de la data « quantitative » propre à la marque : « un persona comme Marie représente 15% des clients de la marque X mais 60% du CA ».

 

 

B / Définition des customer journeys

 

Le marketer, élabore ensuite, pour chacun des personae obtenus, le parcours omnicanal personnalisé qui véhiculera le ou les messages adaptés. Pour élaborer ces parcours, le planneur doit intégrer 4 dimensions :

 

- les caractéristiques du personae ciblé ;

 

- les contenus à diffuser : les assets, le ton, les offres, etc ;

 

- le canal de diffusion : display, e-mail, site web, point de vente, etc ;

 

- le calendrier de diffusion adéquat avec cycle du client ;

 

 

La data aide le planneur à identifier les réponses qui lui permettront de construire le parcours correspondant à la cible. Connaissance de la consommation et des comportements passés et actuels, score prédictifs et affinitaires sont autant d’outils data indispensables au marketing planning.

 

 

L’exemple des micro moments

 

Prenons l’exemple de deux personnes qui recherchent « nourriture Thaï » sur Google. La première tape sa requête à 17h un jour en semaine : il est probable qu’elle cherche des idées de recettes pour faire des courses. La deuxième personne tape la même requête un samedi soir à 21h en plein centre-ville : il est très probable qu’elle recherche une suggestion de restaurant, du moins, tout indique que la personne est censée avoir faim. Il est logique que les suggestions de Google varient entre les deux situations. Une chaîne de restaurant Thaï peut alors se placer sur la requête de la deuxième personne : elle optimise son ciblage publicitaire et propose un message pertinent à la demande de la cible en question.

 

Au-delà de la logique de ciblage publicitaire, ces informations nous en apprennent plus sur les habitudes de consommation des deux individus. En stockant ce type d’information, on peut arriver à créer un portrait-robot des consommateurs. Les parcours peuvent désormais être imaginés sans a priori de résultats puisque l’implémentation de pilotes et leur mesure deviennent agiles. Les marques peuvent alors répondre au mieux au besoin de leurs clients.

 

 

C / Monitorer et ajuster en temps court

 

Les approches « test and learn » s’appuient sur une dimension de la data qui nous autorise de multiples scenarii opérationnels répondant à autant de « user journeys » envisagés. La mesure rapide de ces pilotes, voire l’ajustement en temps réel, permet une amélioration plus immédiate des actions et des résultats. Pour pousser la démarche du « test and learn » sur l’ongoing d’une stratégie marketing, le marketer sollicite encore davantage les data via des approches de machine learning.

 

 

D / Le business model

 

Un autre avantage que la data, conjointement avec la data-science, apporte au marketing planning est la possibilité de modéliser le ROI attendu du dispositif. Il est possible en effet de modéliser la performance et de donner pour 1 euro investi le chiffre d’affaire additionnel généré ou un autre KPI cible (visites, lead, etc.). L’élaboration d’un business model apporte beaucoup de rationnel dans la phase de conception d’un dispositif. Le business model permet d’optimiser au mieux les investissements et rend possible un pilotage précis des différents leviers à l’œuvre dans le dispositif.

 

 

Semaine de la data : retrouvez notre introduction

Rôles et bénéfices de la data dans la chaîne de valeur de la communication et du marketing

 


Commentez





Abonnez-vous à la revue
RECHERCHER PAR