Data Mining

Dans la grande famille des projets analytiques, le data mining occupe une place prépondérante puisque cette discipline est en mesure d'aller au-delà d'un simple travail de segmentation et de scoring, généralement maîtrisé par les entreprises.

Le data mining représente en quelque sorte le nec plus ultra de l'analyse des données puisqu'il permet une industrialisation des process et une optimisation de la gestion des données, le tout, dans un objectif de maximisation du ROI. Il s'agit, autrement dit, de proposer la bonne offre au bon client au bon moment et sur le bon canal. Plus fort, on parle aujourd'hui d'un data mining en temps réel, destiné à personnaliser au maximum la Relation Client.

Il s'agit de saisir l'opportunité d'avoir le client en ligne pour construire une relation plus aboutie. C'est aussi l'occasion de récupérer de l'information sur le client afin d'anticiper son comportement futur. Soyons réaliste, cette approche en temps réel reste encore très difficile à mettre en place.

Aussi, pour mener à bien un projet analytique, il convient de respecter quelques grands principes en se posant les bonnes questions, tout en gardant à l'esprit de tirer le meilleur parti des logiciels et gagner ainsi en efficacité.

Quel est l'objectif d'un projet de data mining ?

L'objectif est d'essayer d'anticiper la rentabilité des clients, de déterminer à l'avance ce qu'ils peuvent acheter dans un futur proche, pour quels montants et combien ces achats vont générer de bénéfices. L'intérêt de mettre en place un outil analytique vise tout d'abord à obtenir une meilleure connaissance de ses clients.

Qui est le bon partenaire ?

Le marché compte de multiples éditeurs avec des solutions ayant un axe différent, ce qui les rend à la fois concurrents et complémentaires. Une suite logicielle modulaire comme E-DEAL CRM, se doit d'être compatible avec toutes les solutions de data mining, sans pour autant en promouvoir une ou plusieurs. A souligner qu'en termes de modèles mathématiques, les éditeurs se valent. La différence se situe au niveau de l'interface, avec une ergonomie plus conviviale à l'avantage des grands éditeurs et une capacité à gérer de grands volumes de données. De même, les éditeurs vont se distinguer par leur manière d'intégrer les modèles dans le processus métier de l'entreprise.

Qui sera le porteur du projet en interne ?

Initialement, les statisticiens étaient les rois de ce domaine puisque la discipline réclamait d'être sensible à la fois aux chiffres et à l'informatique, tout en ayant une bonne connaissance des logiciels. Quand le data mining a commencé à se populariser, seuls les spécialistes des données étaient en mesure de produire des modèles.

Aujourd'hui, les outils sont devenus beaucoup plus simples à utiliser et ont bénéficié d'interfaces dont l'ergonomie et la convivialité se sont progressivement améliorées. D'une manière générale, les utilisateurs de solutions analytiques sont souvent issus des services CRM, marketing ou commercial et ont accès à des outils de data mining pour les besoins de leur département.

Quelques règles à respecter trop souvent oubliées

Il est impératif de comprendre le besoin fonctionnel du projet. Autrement dit, se fixer des objectifs en se basant sur des travaux statistiques est une étape préliminaire, ce qui sous-entend de collecter des données non seulement pertinentes, mais en nombre suffisant pour constituer un historique.

Il est toujours possible de se lancer dans un projet analytique et de faire du data mining sans posséder un progiciel équipé d'un algorithme dédié. Cependant, dès que l'on possède un minimum de données, le passage à l'automatisation impose souvent de se doter d'une solution dédiée. Dans ce cas, la première étape consiste à se faire accompagner par l'éditeur ou un intégrateur et commencer par des tâches simples comme segmenter sa clientèle selon le chiffre d'affaires ou établir des profils, des typologies et des classifications. La seconde étape consiste à se lancer progressivement sur des modèles de prévision.

Les premières expériences d'utilisation de solutions analytiques entraînent souvent une grande remise en cause de la fiabilité du contenu des fichiers et des BDD clients. En effet, si la qualité d'une adresse est importante dans l'absolu, il convient d'apprécier sa réelle utilité pour sa stratégie de Relation Client. En outre, il est nécessaire de connaître les informations que l'on est autorisé à conserver, élément qui diffère selon les pays.

La fiabilité d'un modèle de data mining est fortement dépendante de la quantité et de la qualité des données à manipuler. L'abondance peut nuire en raison du bruit (informations considérées comme inutiles) présent dans les données.

Le travail sur une segmentation spécifique à sa marque et à son marché est nécessaire. La qualité des données segmentées va dépendre de la capacité d'une entreprise à les trier, en prenant en compte les mots-clés propres à son activité. Une fois ce travail effectué, on obtient une base de données relationnelles en mesure d'être traitée par un logiciel de data mining.

La rigueur d'un data miner n'est pas à sous-estimer, puisque cet expert doit vérifier les informations avant de générer des résultats qui seront confrontés aux besoins initiaux. Il peut jouer un rôle crucial si son aptitude à vulgariser l'usage de l'outil dans l'entreprise est grande et s'il parvient ainsi à montrer l'immense potentiel de la discipline, tout en étant capable de jouer un rôle de sensibilisation des marketeurs.

A noter depuis quelques années le rôle croissant pris par un dérivé du data mining, le text mining. Il permet de déterminer le sens d'un texte sans pour autant lire tout le contenu. Il devient très précieux en matière de CRM lorsqu'il s'agit d'automatiser des opérations de traitement de flux d'e-mails issus d'un service client par exemple. Finalement, déjà fort utiles en période de croissance économique, les projets de data mining deviennent encore plus précieux lors d'une phase de ralentissement, le nombre de clients en mesure de consommer tendant à se contracter.

Il faut néanmoins constater que le data mining souffre encore d'un manque de reconnaissance par les directions d'entreprise et qu'il est encore trop souvent considéré comme une discipline seulement maîtrisée par un spécialiste de la statistique/informatique, à la recherche de modèles dont les applications concrètes restent à définir. Une discipline qui reste finalement dépendante d'un processus de sensibilisation et de mise en valeur.