Data & Intelligence : pas de place pour l’émotion en salle de réunion

Récemment, il a été constaté que les grandes entreprises changent plus fréquemment de Chief Marketing Officer (CMO) que de tout autre cadre. Cela s’explique par le manque de données et la prévalence des émotions dans la prise de décisions. En d’autres termes : si le marketing ne fonctionne pas, on pense à changer le CMO plutôt que de revoir les stratégies basées sur des faits et des chiffres.

Le marketing est entré dans une nouvelle ère. Pendant des années, le débat (académique) portait sur la question de savoir si le marketing était une pseudoscience ou non. Oui, ont affirmé de nombreuses personnes. Finalement, les gens ne donnaient des explications scientifiques que pour des actions prises a posteriori sur la base d’un sentiment instinctif.

Aujourd’hui, grâce à des technologies comme le machine learning, nous atteignons un niveau de prédiction élevé. Nous n’avons jamais été aussi proches de la certitude. Plutôt que de simplement vérifier si une stratégie a fonctionné, nous pouvons désormais prévoir son succès. Cette capacité à anticiper rend le marketing bien plus efficace, moins coûteux et plus optimisable.

C’est pour cette raison qu’iO met en place le « marketing mix modelling » pour de nombreux clients. Nous réalisons d’abord un audit détaillé des investissements marketing des trois dernières années. Ensuite, nous analysons les campagnes mises en place et leur impact. Cela nous permet de proposer des recommandations sur la meilleure façon d’allouer les budgets disponibles à l’avenir.

La plupart des entreprises continuent de s’appuyer sur des plans annuels rigides : campagne d’été X, campagne d’hiver Y. C’est une erreur, car il faut aller au-delà de ces ajustements. Plus les prévisions sont précises, plus il est possible de proposer des changements de cap radicaux. Plus les entreprises disposent de données, plus leurs prévisions seront fiables.

La prévisibilité instaure de l’ordre dans le chaos. Avant, le marketing traditionnel ne disposait que de quelques KPI. Il était possible de savoir combien de fois une publicité avait été diffusée à la télévision ou dans la presse, et combien de personnes avaient été atteintes. On pouvait aussi mesurer si une part de marché avait progressé auprès d’une cible spécifique.

Avec l’avènement du marketing digital, c’est devenu le chaos. Soudain, les entreprises disposaient de milliers, voire de millions de points de données. Mais parmi tous ces indicateurs, lesquels étaient réellement pertinents pour les objectifs business ?

Le mot à la mode aujourd’hui : le data mesh. Longtemps, tout le monde rêvait d’une seule plateforme, une seule base centralisée pour tous les types de données. Aujourd’hui, nous observons une forme d’acceptation. Même des géants comme Microsoft, qui ont accumulé d’énormes lacs de données, reconnaissent qu’il est possible de faire mieux et autrement. La solution ? Ne pas tout regrouper, mais établir des connexions entre les différentes sources de données.

Il faut donc faire coexister ces différentes sources de données et méthodes de collecte, tout en créant les bonnes connexions pour faire circuler les informations d’un système à l’autre. La réussite dépend de la configuration et des ambitions du client, mais c’est l’une des tendances sur lesquelles nous misons fortement.

Le data mesh dans l’industrie automobile

Cette granularité des données — granularité parce qu’elles sont disséminées comme de minuscules grains — se retrouve dans les projets qu’iO a réalisés pour de grandes marques automobiles. Autrefois, les clients remplissaient des questionnaires sur papier chez le concessionnaire, qui recevait seulement quelques retours par mois. Aujourd’hui, des millions de clients configurent eux-mêmes leurs voitures sur les sites web des constructeurs automobiles.

Ces milliers de clients fournissent des feedbacks sur leurs expériences, bonnes ou mauvaises, lors de la configuration. De nombreux constructeurs automobiles possédaient déjà cette masse de données précieuses, mais ne l’exploitaient pas. Ces retours étaient souvent du texte, dans différentes langues. Nous utilisons aujourd’hui le NLP (Natural Language Processing) et un modèle d’apprentissage automatique pour transformer ces textes en données exploitables. Ainsi, les retours clients d’aujourd’hui permettent d’optimiser le configurateur en ligne de demain.

Les équipes Data & Intelligence d’iO sont au cœur des dernières tendances et évolutions. Nous avons des équipes D&I dans tous nos campus et dans tous les pays où nous sommes présents. Ces équipes collaborent étroitement et partagent leurs expériences et leurs cas d’étude.

Elles sont toutes organisées de manière similaire avec quatre profils clés :

• Le data scientist, une sorte de professeur (fou) qui, avec des modèles intelligents et des outils d’IA de plus en plus sophistiqués, alimente les systèmes en nouvelles données intelligentes. C’est crucial, surtout avec la disparition des cookies tiers par Google l’an prochain.

• Les data engineers, qui relient ces différents systèmes de données. Ils vivent une époque passionnante avec le data mesh, comme s’ils résolvaient chaque jour un puzzle de plusieurs milliers de pièces.

• Le data analyst, qui extrait les informations pertinentes de ces vastes réservoirs de données.

• Les insights consultants, qui traduisent ces données en enseignements et conclusions exploitables.

La valeur ajoutée réside dans la combinaison de ces quatre domaines : science, ingénierie, analyse et insights. Là où il s’agit souvent de différents départements au sein des organisations, nous avons construit des ponts entre eux.

Plus vite ces processus sont mis en place, plus vite ils se remplissent des bonnes données, et plus les insights business sont solides. Nous aidons les entreprises à se doter d’un avantage concurrentiel en exploitant pleinement les données.