Comment créer une stratégie data cohérente à l’heure de l’IA ?
A l’heure de l’Intelligence Artificielle, où les assistants vocaux, recherches intelligentes et chatbots sont de plus en plus utilisés dans les stratégies marketing des entreprises, les besoins data n’ont jamais été si importants.
L’enjeu pour les entreprises utilisant ou souhaitant utiliser l’IA est de valoriser efficacement les data en optimisant l’intégralité des processus : collecte, exploitation et gouvernance des données.
Une réalité plus nuancée : des problématiques data basiques
Néanmoins, « la moitié des entreprises exploite moins de 25% de la donnée collectée et analysée*».
Pourquoi seulement un quart des données collectées sont utilisées ?
- Une gouvernance des données mal définie : Les entreprises ont tendance à collecter un grand nombre de données, sans en avoir défini l’objectif (dans quel but utilise-t-on la donnée ? contactibilité, statistiques ou bien création de segments ?)
- Des systèmes d’information organisés en silos, ne permettant pas de rationnaliser l’utilisation de la donnée client / prospect.
- Des problèmes de normalisation de la donnée, la rendant inexploitable.
- Un problème de ressource : Les métiers autour de la donnée ont évolué, du data manager en passant par le data scientist et le DPO.
Selon l’étude PwC datant de 2018, « 51% des marketers attribuent une note entre 7 et 10/10 à la collecte des données, contre seulement 36% à l’analyse et 33% à l’exploitation des données*. »
Des statistiques dénotant clairement l’aptitude des entreprises à collecter les données clients, mais aussi la difficulté chronique que représente l’exploitation.
Quelle stratégie data adopter pour réussir les projets IA ?
Créer une stratégie data nécessite une bonne organisation, et surtout des prérequis à mettre en place dans un ordre bien précis :
- Unifier les données (Data Quality Management, Complétude…)
- Augmenter la connaissance et mesurer des comportements d’audience (Reporting, Statistiques…)
- Activer les données (Marketing Automation, Personnalisation Web, chatbot etc…)
En effet, l’erreur classique est de vouloir commencer par l’intégration de technologies d’IA ou de mining au système d’information marketing. Et ça se comprend… le marché ne cesse de développer une offre toujours plus consistante d’«outils d’intelligence artificielle». Des technologies clés en main, souvent en SaaS, permettant d’effectuer « n’importe quelle prédiction » dans n’importe quel domaine, et ne nécessitant aucune connaissance technique.
Sans remettre en cause la pertinence de ces outils, il est nécessaire d’établir une feuille de route, avant de piloter correctement les projets d’IA.
Pas d’IA sans données qualifiées et enrichie
Les outils d’IA et de datamining du marché, relativement proches, s’appuient sur des corrélations statistiques. Ceci dit, ces calculs ne sont pertinents que lorsque les données en entrée sont correctes ! La première étape est donc de s’assurer de la qualité des données (Normalisation, validation, correction, dédoublonnage, déduplication…) avec les technologies de data quality adaptées.
Les données corrigées peuvent ensuite être enrichies (comportement web, appétence, données de contactibilité manquantes, données sociogéographiques…) pour augmenter la connaissance client et ultérieurement créer des segments toujours plus fin.
La vision unique client / prospect – L’étape indispensable
« 71% des entreprises du secteur tertiaire » comptent « utiliser l’IA pour améliorer leur connaissance client. » La connaissance du client et du prospect passe avant tout par une maîtrise parfaite de l’information client déjà collectée dans les métiers de l’entreprise (marketing, commerce, SAV, CRM…)
La vision unique client / prospect, souvent oubliée dans les processus data, est probablement l’étape la plus importante.
Son utilisation concrète permet par exemple de réconcilier les clients physiques et digitaux, de distribuer des informations clients fiables et unifiées aux métiers, mais aussi créer une vision unifiée du client et de son parcours.
C’est après ces étapes préliminaires qu’il est enfin possible d’utiliser et d’alimenter en données fiables, enrichies et unifiées les outils d’IA ou de mining.
