10 TECHNIQUES ET EXEMPLES PRATIQUES D'EXPLORATION DE DONNÉES EN MARKETING

LES SECRETS DE L’EXPLORATION DE DONNÉES POUR VOTRE STRATÉGIE DE MARKETING

Tecniche di data mining nel marketingValoriser les informations d’entreprises logées dans de grands dépôts de données est un des objectifs les plus connus de l’exploration de données. Mais les potentiels des techniques, des méthodologies et des exemples qui entrent dans la définition d’exploration de données vont bien au-delà de la simple valorisation de données. Dans cet article, nous nous concentrerons sur le marketing et sur ce que vous pouvez faire vous-même pour promouvoir votre entreprise ou votre business, même en ligne, grâce à l’exploration de données. Dans la liste des 10 techniques et exemples pratiques sélectionnés, nous avons mis en évidence des ressources et des liens d’approfondissement, afin que tous puissent mieux connaître ce vaste domaine, en évolution continue. En exploitant les techniques et en vous inspirant des exemples que nous allons vous montrer, vous serez en mesure de développer et de raffiner votre stratégie de marketing et de vous distinguer de la concurrence. C’est parti !

1) ANALYSE CLUSTER POUR IDENTIFIER DES GROUPES CIBLES

L’analyse cluster permet d’identifier à l’intérieur d’une archive un certain groupe d’utilisateurs selon des caractéristiques communes. Ces caractéristiques peuvent être l’âge, la provenance géographique, le niveau d’études, et ainsi de suite. Il s’agit d’une technique d’exploration de données qui est utile dans le marketing pour segmenter la base de données et envoyer, par exemple, une certaine promotion à la bonne cible pour tel ou tel produit ou service (jeunes, mamans, retraités, etc.). Les combinaisons de variables sont infinies et rendent l’analyse cluster plus ou moins sélective en fonction des exigences de recherche.

Ressources importantes :

– Cluster Analysis by Jmp
 [ENG]

– La Cluster Analysis [PDF ITA] 

– Tutorial Cluster Analysis by Origine Lab  [ENG]

– Data Mining – Cluster Analysis by Tutorials Point

– Cluster Analysis for Market Segmentation  [SLIDE ENG]


2) ANALYSE DE RÉGRESSION POUR FAIRE DES PRÉVISIONS DE MARKETING

Prévoir le futur est le rêve de tout professionnel du marketing. Sans que la boule de cristal soit nécessaire, nous bénéficions de l’analyse de régression, une technique d’exploration de données grâce à laquelle étudier les changements, habitudes, niveau de satisfaction des clients et autres facteurs liés à des paramètres comme le budget d’une campagne publicitaire ou similaires. Dès lors que vous modifiez un de ces paramètres, vous aurez une idée assez proche de ce qui arrivera à votre public d’utilisateurs.

Ressources importantes :

– Regression Analysis – predicting the future by Michael Pawlicki  [ENG]

– Regression Analysis – by b2binternational  [ENG]

– TECHNIQUE #9: Regression Analysis by Marketing Profs  [ENG]

– The Use Of Regression Analysis In Marketing Research by IDEAS  [ENG]

3) ANALYSE DE CLASSIFICATION POUR IDENTIFIER LE SPAM MAIS PAS SEULEMENT

Comment classer un email de réponse d’un client ? Et comment identifier d’éventuelles corrélations entre acheteurs potentiels de vos produits avant et après la mise en place d’une campagne publicitaire ? La réponse est unique : l’analyse de classification, la technique d’exploration de données qui permet de reconnaître les patterns (schémas récurrents) à l’intérieur d’une base de données. Il s’agit d’une solution efficace pour rendre votre stratégie de marketing plus performante, éliminer le superflu et créer des sous-archives optimisées.
Ressources importantes :

– Classification Analysis by Berkley  [ENG]

– Principal Components & Classification Analysis by Statistica  [ENG]

– Data mining: classification and analysis  [ENG]

4) DÉTECTION D’ANOMALIES POUR RECONNAÎTRE LES INCOHÉRENCES

Chaque business, qu’il soit grand ou petit, doit affronter chaque jour les conséquences d’éventuelles erreurs commises par des employés, fournisseurs ou par les clients directement. Une erreur banale en phase de saisie des données ou lors de l’achat d’un produit a le même effet qu’un caillou dans une chaussure. Rien de bouleversant, mais c’est tout de même gênant. Pour éliminer à la source les incohérences et anomalies des bases de données, il est fait recours à une technique d’exploration de données particulière qui prend le nom de détection d’anomalies. Dans ce cas encore, ce sera à notre logiciel de gérer la recherche, qui est programmé pour accomplir des opérations complexes sur des bases de données pouvant contenir des centaines de milliers d’enregistrements (adresses, noms, etc.).

Ressources importantes :

– Machine Learning Anomaly Detection Service by Microsoft  [ENG]

– Survey on Anomaly Detection using Data Mining Technique by ScienceDirect  [ENG]

– Anomaly Detection by Oracle

– Outlier and Anomaly Detection by KDD Topics

– 6 Benefits Of Anomaly Detection Software For IT Ops/APM by Prelert

5) DÉTECTION D’INTRUSION POUR UNE MEILLEURE SÉCURITÉ DU SYSTÈME

Marketing et sécurité sont deux aspects qui ont l’air de n’avoir aucun rapport et qui sont (ou devraient être) en revanche liés. Pensez aux effets néfastes que pourrait avoir une campagne DEM (Direct Email Marketing) menée sur une base de données contaminée. Pour éviter d’utiliser des archives infectées par des intrus (des valeurs ajoutées par des crackers ou de véritables virus qui dupliquent les données), il suffit de rechercher les intrus, une technique d’exploration de données qui assainit la base de données et garantit une plus grande sécurité à tout le système.

Ressources importantes :

– Data mining for network security and intrusion detection by R-bloggers  [ENG]

– Data Mining Approaches for Intrusion Detection by Wenke Lee and Salvatore J. Stolfo  [ENG]

– Effective approach toward Intrusion Detection System using data mining technique by Science Direct  [ENG]

6) RÈGLES D’ASSOCIATION POUR DÉCOUVRIR LES RELATIONS ENTRE LES DONNÉES

L’utilisation-type des règles d’association concerne les activités de vente de produits, en particulier pour de grands volumes. Que ce soit en ligne à travers un site de commerce électronique ou bien en personne dans un magasin (ou un centre commercial), il peut arriver que des relations intéressantes se créent entre les données que vous possédez. Des relations que vous ne soupçonniez pas ou même que vous n’imaginiez pas. Par exemple ? 90% des clients qui achètent un produit en ligne en achètent aussi un autre, toujours le même. Ces détails nous permettent de créer des offres de marketing ciblées, des promotions spéciales et des formules gagnantes.

Ressources importantes :

– Association Rule Learning – Wikipedia  [ENG]

– Association Rule Mining – Not Your Typical Data Science Algorithm  [ENG]

– Association rules (in data mining) by Search Business  [ENG]

– Association Rule Learning and the Apriori Algorithm by R-Bloggers  [ENG]

7) ARBRES DE DÉCISION POUR OPTIMISER LA GESTION DES RISQUES D’UN PROJET

Chaque fois que vous prenez une décision, vous vous trouvez à un croisement. Lorsque les options sont nombreuses, vous trouvez un arbre de décision à la place du croisement. Au premier abord, avoir affaire à un arbre de ce genre confond les idées, mais si nous disposons d’un outil informatique qui organise l’arbre et nous soumet des choix définitifs, comprenant les coûts/bénéfices, tout change et l’arbre devient un instrument précieux pour la Gestion des Risques d’un Projet. Ici encore, la profondeur de l’analyse dépend en grande partie de la technologie à disposition : plus le logiciel est avancé, plus l’arbre saura vous indiquer le meilleur chemin à prendre.

Ressources importantes :

– Using a Decision Trees Example in Project Risk by Bright Hubpm  [ENG]

– Decision Tree (CART) – Retail Case Study Example (Part 5) by YOU CANanalytics  [ENG]

– Decision Trees for Decision Making by Harvard Business Review  [ENG]

– Decision Trees Choosing by Projecting “Expected Outcomes by Mind Tools  [ENG]

8) RÉSEAUX DE NEURONES ARTIFICIELS POUR AUTOMATISER L’APPRENTISSAGE

Le concept de réseau de neurones artificiels est complémentaire au clustering et aux arbres de décision. Il s’agit d’une des plus récentes applications de l’exploration de données, sur la base de laquelle la machine que vous utilisez pour vos actions de marketing, et donc l’ordinateur qui gère votre base de données, « apprend » à identifier un certain pattern à l’intérieur duquel sont présents des éléments ayant des relations précises entre eux. Le résultat de cet « apprentissage » est la reconnaissance et la mémorisation de schémas qui peuvent être utiles, pas forcément tout de suite mais à l’avenir, pour décider si et comment réaliser un objectif. Le réseau de neurones artificiels peut vous aider à connaître avec plus de précision la composition de la cible d’un produit ou service.

Ressources importantes :

– Neural Network Analysis by Ecommerce Digest  [ENG]

– Neural networks – are you ready for the rise of the machines? By Beyond  [ENG]

– Expert Systems with Applications by Semantic Scholar  [ENG]

9) INDUCTION DE RÈGLES POUR DES ANALYSES PRÉDICTIVES BASÉES SUR LES DONNÉES

Si un fait précis se produit, puis un autre et un autre encore, nous obtenons ce résultat. La règle de l’induction fonctionne à peu près comme cela. Et ce n’est pas rien : grâce à cette technique d’exploration de données, vous pouvez élaborer des analyses prédictives sophistiquées en piochant à l’intérieur de bases de données contenant plusieurs milliers d’enregistrements. Identifier des régularités cachées veut dire accélérer les délais et agir en connaissance de cause, ce que vos concurrents oublient souvent de faire. N’est-ce pas ?

Ressources importantes :

– Rule Induction Method by DMS.IRB  [ENG]

– Rule Induction by Semantic Scholar  [ENG]

– An Experimental Study of Using Rule Induction Algorithm in Combiner Multiple Classifier by IJCIR  [PDF ENG]

10) ENTREPOSAGE DE DONNÉES POUR LE TRAITEMENT DE BIG DATA

La dernière technique essentielle d’exploration de données, qu’il serait peut-être plus correct d’appeler application, s’appelle entreposage de données. Ici nous entrons dans le domaine du profilage du client (et pas seulement), en particulier en ce qui concerne le traitement de Big Data. Choisir un logiciel comme Egon pour l’entreposage de données veut dire simplifier les bases de données, extrapoler les informations les plus intéressantes relatives à vos clients, faciliter la création de rapports détaillés et bien plus encore. Dans la migration de systèmes de gestion et de systèmes, pouvoir compter sur un logiciel d’entreposage de données devient encore plus important, pour le marketing mais surtout pour l’évolution de l’entreprise. Essayer pour y croire !Ressources importantes :

– A Data Warehouse  [YOUTUBE ENG]

– What’s the difference between data mining and data warehousin? By Programmer Interview  [ENG]

– Data Warehousing Concepts by Oracle  [ENG]

– Data Warehousing – Schemas by Tutorials Point  [ENG]

Share on Google+0Tweet about this on TwitterShare on LinkedIn0