Cet ouvrage s'adresse aux managers marketing et commerciaux soucieux de développer une stratégie de data marketing au sein de leur organisation (entreprise, service public ou association). Il aborde de manière simple et pragmatique l'intérêt de la data marketing et explique comment la mettre en oeuvre au quotidien à l'aide d'Excel et de R.

Le premier chapitre réconciliera les marketers et managers commerciaux avec le langage des data scientists et des DSI en présentant les concepts et mécanismes-clé de l'univers data (big data, data mining, smart data, open data, SGBDR, bases de données, NoSQL, mapreduce, data lakes, etc.).

Le chapitre suivant offre des clés pour auditer le système data, collecter des données et nettoyer les bases de données avant d'effectuer une analyse descriptive de ces données avec Excel et R. Vous commencerez par des analyses simples et apprendrez à les manier de manière robuste d'un point de vue statistique.

Le chapitre suivant traite du marketing prédictif : que peut-il se passer dans le futur ? Les calculs statistiques plus complexes présentés dans ce chapitre vous apprendront à classifier vos données en vue de les segmenter, à utiliser des modèles de régression et les méthodes de scoring.

C'est ensuite le marketing prescriptif qui est abordé : que devrions-nous faire ? Il s'agit de mettre en place une expérimentation puis d'analyser les résultats statistiques.

Dans le dernier chapitre, nous vous proposons quelques clés de communication et pistes de data visualisation et de data storytelling pour vous aider à diffuser au mieux votre stratégie au sein de votre entreprise.

De chapitre en chapitre, l'auteur propose une démarche pour structurer la mise en place d'une stratégie data marketing mais vous pourrez également « piocher » l'information, en fonction de vos besoins, dans l'un ou l'autre des chapitres. De nombreux exemples permettent de s'approprier les différents tests statistiques proposés. Le choix des logiciels d'analyse (Excel et R) repose sur leur accessibilité. R est un logiciel gratuit en open source et une référence dans le monde des statistiques. S'il peut être perçu comme complexe, l'auteure s'est attachée à le présenter de manière simple et abordable. Des outils ergonomiques et facilitant l'usage de R comme RStudio et Rcmdr sont également proposés.

Téléchargements

• Des fichiers complémentaires (157 Ko)

Les data, pour quoi faire ?

1. Introduction
2. Data mining, big data, smart data, open data : comprendre l’univers des data
   1. L’arrivée des data dans la gestiondes entreprises
      1. L’exemple de la distribution
      2. Le développement des entreprises d’étudesde marché
   2. Comprendre les termes data
      1. Le data mining
      2. Le big data
      3. Le smart data
      4. Les open data
   3. L’intelligence artificielle
      1. Qu’est-ce que l’IA est et n’estpas ?
      2. Application de l’IA : le marketingautomation
      3. Application de l’IA : les chatbots
      4. Application de l’IA : la reconnaissancefaciale
   4. La réalité virtuelle
3. Les acteurs du data marketing
   1. Le chief data officer (CDO)
   2. Le data scientist/analyst
   3. Le data protection officer (DPO)
   4. Le data marketer
4. Data et marketing : quelles finalités ?
   1. Stratégie d’entreprise et data marketing
      1. L’itération entre stratégied’entreprise, stratégie marketing et stratégie data
      2. Pas de stratégie data sans objectifs SMART
   2. Les data au sein du plan marketing
   3. Analyser la demande : comprendre ses clientsactuels et potentiels
      1. Les études de marché traditionnelles
      2. Les échanges spontanés entre consommateurs
      3. Les mesures comportementales
   4. Analyser la concurrence
   5. Mettre en place une stratégie :segmentation et ciblage
   6. Optimiser ses actions marketing : le bonproduit, au bon prix, au bon endroit avec la bonne communicationet les bonnes actions commerciales
      1. Rappels sur le marketing mix
      2. Le produit
      3. Le prix
      4. La distribution
      5. La communication

Les outils du data marketing

1. Introduction
2. Structurer et analyser ses données
   1. Excel : usages et fonctionnalités
      1. Visualiser rapidement la moyenne, le nombre et lasomme d’une variable
      2. Filtrer les données
      3. Trier les données
      4. Figer les volets
      5. La mise en forme conditionnelle
      6. Le tableau de contingence : le tableau croisé
      7. Convertir
   2. R : Prise en mains
      1. L’installation de R
      2. RStudio
      3. Définir le répertoire de travail
      4. Télécharger un fichier de donnéesdans R
      5. Ouvrir un onglet de script
      6. Installer et charger des packages
      7. Le package Rcmdr
3. Gérer les big data
   1. La problématique de l’analyse delogs pour comprendre les comportements des consommateurs en ligne
   2. L’univers Hadoop
      1. Naissance et enjeux d’Hadoop
      2. Le principe MapReduce
      3. Hadoop, un framework puissant, mais demandant un niveaude technicité élevé
      4. Les briques Hadoop
   3. Les big data dans R
      1. Hadoop dans R
      2. Traitements statistiques de big data dans R

Auditer son système marketing

1. Collecter des données
   1. Le type de données et ce que l’onpeut en faire
      1. Les données structurées
      2. Les données non structurées
   2. La richesse de vos données
      1. Les sources d’information en interne
      2. Type d’informations disponibles en interne
   3. Les données externes
      1. Open data
      2. Données de panel
      3. Données de tracking
2. Stocker ses données
   1. Faire un état des lieux de ses données
   2. Les solutions techniques
   3. Vision à 360° du client : DMP, datalakes
      1. Les data management plateform (DMP)
      2. Les data lakes
      3. Est-ce pour mon entreprise ?
3. Nettoyer ses bases de données
   1. Qu’est-ce qu’une base de donnéespropre ?
   2. Pourquoi « nettoyer » sabase de données ?
      1. Éviter la perte de temps
      2. Ne pas renforcer ou susciter de la résistance à unestratégie data-driven
      3. Faciliter la communication entre les différentsoutils de data
      4. Ne pas nuire à la relation client
   3. Comment procéder (?les donnéesmanquantes, la clé d’identification, les donnéesanormales) ?
      1. Définir l’unité statistiqued’analyse
      2. Adopter une logique de table
      3. Supprimer les variables inutiles
      4. Donner une clé unique à vos sujets
      5. Visualiser ses données dans R
      6. Effectuer quelques tests statistiques basiques pours’assurer que les variables soient bien définies
      7. Supprimer les doublons
      8. Nommer les variables de manière efficace
      9. Coder les variables de manière efficace
      10. Traiter les données manquantes
      11. Traiter les données anormales ou aberrantes(les outliers)

Que s’est-il passé ? L’analyse descriptive des données et le diagnostic

1. Introduction
2. Choisir ses KPI
   1. Plan : planifier les actions marketing etles objectifs
   2. Do : la phase d’action
   3. Check : la phase d’analyse et dediagnostic
   4. Act : ajuster les actions ou poursuivre surla même voie
3. Analyse univariée : étudier les variables une à une
   1. La tendance centrale
      1. La moyenne
      2. La médiane
      3. Le mode
   2. La dispersion
      1. La variance
      2. L’écart-type
      3. La fréquence
      4. L’étendue, le minimum et le maximum
      5. Le fractile (quartile)
      6. Un outil de visualisation des principaux indices :la boîte à moustaches
   3. L’intervalle de confiance
4. Analyse bivariée : faire des rapprochements entre deux variables
   1. Deux variables qualitatives 
      1. Créer un tableau de contingence dans R
      2. Test du Khi-deux dans R
   2. Deux variables numériques : la corrélation
      1. La covariance
      2. Le coefficient de corrélation linéaire
      3. La significativité du coefficient de corrélationlinéaire
   3. Deux variables ordinales
      1. Le coefficient de corrélation de Spearman
      2. La significativité du coefficient de corrélationde Spearman
   4. Test de comparaison de moyennes
      1. Préalable statistique à la comparaisonde moyenne
      2. Test de comparaison de moyennes : t de Student
5. Conclusion

Que peut-il se passer dans le futur ? Le marketing prédictif

1. Introduction
2. La classification : segmenter ses clients ou ses prospects
   1. La classification, une des méthodes d’analysemultivariée
   2. Méthodologie
   3. Étape 1 : Analyse en composantesprincipales
      1. La matrice des coefficients de corrélation
      2. Réalisation de l’ACP sous R
      3. Interprétation des dimensions
   4. Étape 2 : la classification ascendantehiérarchique
      1. Regroupement des individus par classes
      2. Réalisation de la Classification AscendanteHiérarchique (CAH) sous R
      3. Lecture des résultats de la CAH
3. Les modèles de régression
   1. Méthodologie
      1. Prévoir le prix de vente d’un bienimmobilier : valeur continue et régression multiple
      2. Prévoir l’achat de glaces :valeur catégorielle et régression logistique
   2. Applications pratiques
4. Le scoring
   1. Data mining et scoring
   2. Applications des méthodes de scoring
      1. Score de risque
      2. Score d’appétence
      3. Score d’attrition
   3. Les différents types d’analyses
   4. Le scoring par régression logistique
      1. La régression logistique binaire
      2. Mise en œuvre du scoring par la régressionlogistique binaire dans R
5. Conclusion

Que devrions-nous faire ? Le marketing prescriptif

1. Introduction
2. À quelles problématiques répond le marketing prescriptif ?
3. Mettre en place une expérimentation
   1. Conditions réelles ou en laboratoire
      1. L’expérimentation en laboratoire
      2. L’expérimentation en conditionsréelles
   2. Les éléments à considérerpour mettre en place une expérimentation
      1. Les traitements à comparer
      2. Les critères d’évaluationde ces traitements
      3. Les variables externes
      4. Les sujets
   3. La validité de l’étude
      1. La validité interne et externe
   4. Les biais à contrôler
      1. Les effets des paramètres extérieurs à l’expérimentation
      2. L’effet de sélection
      3. L’effet d’histoire
      4. L’effet de maturation
      5. L’effet de test
      6. L’effet d’instrumentation
      7. L’effet de mortalité expérimentale
      8. L’effet de halo
   5. Les plans d’expérience
      1. Le plan post-traitement
      2. Le plan pré et post-traitement
      3. Le plan de Solomon
      4. Le plan factoriel complet
      5. Plan factoriel à blocs aléatoires
      6. Plan en carré latin ou en carré gréco-latin
4. Analyser les résultats
   1. Quelques préalables
      1. Qu’est-ce qu’un résultatsignificatif ?
      2. Mes données suivent-elles une loi normale ?
      3. Les variances sont-elles égales entre lespopulations ?
   2. Comparaison de deux moyennes
   3. Analyse de variance (ANOVA)
      1. ANOVA à un facteur
      2. ANOVA à plusieurs facteurs
      3. MANOVA
5. Conclusion

Comment communiquer ? Règles de base, data visualisation et data storytelling

1. Introduction
2. Quelques règles basiques pour bien présenter sa stratégie data-driven
   1. Communiquer sur ses données : quels éléments-clé prendreen compte ?
      1. L’émetteur du message
      2. Le message
      3. Les interlocuteurs
      4. Les canaux
      5. Quels effets ?
   2. Le traitement des messages : que se passe-t-ilchez mon interlocuteur quand je communique ?
3. Les outils de la data visualisation
   1. Quelle est l’idée-clé demon graphique ?
   2. Quelles données sont les plus pertinentespour démontrer mon idée ?
   3. Quelle représentation graphique est la plusadaptée ?
   4. Applications dans Excel
4. Le data storytelling
   1. Écrivez votre fil conducteur
   2. Accrocher votre public
   3. Plantez votre décor
   4. Ne faites pas trop de teasing
   5. Ne vous perdez pas dans les détails
   6. Ayez une chute efficace
   7. Inventez un personnage
5. Conclusion

Conclusion

1. 6 éléments-clé de la réussite de votre stratégie data-driven
   1. Construire une culture data-driven
   2. Travailler en équipe
   3. Le pragmatisme et le bon sens orienté client
   4. La plus-value des data
   5. Commencer simple mais efficace
   6. Avoir une attitude responsable vis-à-visdes données

Annexe

1. Bibliographie