Processus, Organisation, Technique : trois étapes pour réussir son projet de data mining

«Au service d'un objectif marketing global, le data mining n'est qu'une étape d'un process global de stratégie CRM », estime Stéphanie Maillet, responsable data management chez The Value System. Une entreprise qui fait du B to B et remet en cause sa segmentation client tous les quatre ans peut décider d'adopter une approche "étude" pour ses analyses data mining, c'est-à-dire répondant à des besoins ponctuels, voir même de les externaliser auprès de sociétés spécialisées. «Par contre, estime Michel Bruley (Teradata), une entreprise B to C qui dispose d'une base de plusieurs millions de clients et confrontée à un marché très volatil, doit forcément, si elle décide d'internaliser ses processus de data mining, adopter une démarche projet. » Dès lors que l'on décide d'industrialiser le data mining, il convient de respecter certaines règles, sans quoi le projet risque fort de tourner rapidement à l'échec total. « Si le département marketing d'une entreprise souhaite s'appuyer sur le data mining pour lancer une nouvelle campagne, il lui faudra, au moment même de la planification de la campagne, prendre en compte ces processus d'analyse », explique Françoise Fogelman (Business & Décision). Une prise en compte d'autant plus importante que le data mining implique toujours un travail de préparation des données et donc de temps dédié à cette tâche. «Trop souvent, les entreprises qui se lancent dans des projets data mining oublient cette phase essentielle de définition des process », précise Françoise Fogelman. Autre facteur crucial pour mener à bien son projet de data mining : l'organisation. Il s'agit en fait de définir qui fait quoi ? Aujourd'hui, les tâches sont réparties de la sorte : les analyses statistiques, compétences oblige, se réalisent au niveau du département étude, les process ETL d'extraction, de transformation et de préparation des données restent sous le joug de l'informatique. Tributaire du département études pour les analyses et de celui de l'informatique pour l'extraction de données, le marketing doit attendre parfois jusqu'à six mois pour obtenir les résultats nécessaires au lancement d'une nouvelle campagne. « La solution serait que le marketing dispose de ses propres outils de data mining et d'un outil de gestion de campagne lui permettant de faire ses extractions de données. Si tous ces outils sont directement exploitables au sein du département marketing, le marketer pourra réaliser ses études en 15 jours seulement », explique Françoise Fogelman. D'autres spécialistes estiment, au contraire, que les marketers ne connaissant pas suffisamment le monde du data mining, ils doivent exploiter les résultats, mais en aucun cas les produire. « Il existe aujourd'hui une confusion importante entre le data mining et le simple reporting. Le data mining demande une démarche d'analyse statistique qui requiert des compétences spécifiques. Il faut en maîtriser les méthodes et méthodologies. Le rôle du marketer est d'accéder aux résultats d'analyses mais non d'en produire. », souligne Isabelle Le Bras (SAS).

Les études les plus complexes ne sont pas les plus rentables

La technique étant un facteur d'importance au sein d'un projet de data mining, le choix d'une solution ne peut se faire à la légère et doit toujours répondre à l'expression des besoins utilisateurs. « Il convient de bien formaliser les besoins et les objectifs marketing, de savoir si le data mining sera utilisé pour réduire, par exemple, la proportion de fraudeurs, ou améliorer la qualité d'une offre, prendre en compte les spécificités métiers et les spécificités techniques du système d'information marketing », note Arnaud Femenia, consultant chez KPMG Consulting (Syntegra). L'entreprise qui n'a pas les compétences en interne ne devra pas hésiter à se faire assister sur ces phases cruciales d'audit des besoins, d'aide au choix de solutions et d'intégration de la solution au sein d'un système opérationnel. La démocratisation des solutions de data mining aidant, on peut cependant avec des outils orientés "résultats", comme Kxen ou Knowlbox de Complex Systems, construire très rapidement des modèles prédictifs fiables et obtenir un retour sur investissement très rapide. « Avec nos solutions, le coût de production d'une étude préalable passe de 23 000 euros à quelques dizaines d'euros du fait du grand nombre de modèles pouvant être construits par des hommes de métiers », indique Roger Haddad, P-dg de Kxen. Un outil rapide de prise en main et simple d'exploitation demande en effet moins de ressources informatiques, de mises à jour coûteuses en formation, de temps passé à la création des modèles statistiques et de maintenance. Attention toutefois, car le retour sur investissement d'études data mining dépendra aussi pour beaucoup de l'existant de l'entreprise en termes de système d'information marketing. « Dans un projet de data mining, ce ne sont pas tant les licences logicielles qui coûtent cher, mais bien le fait de disposer d'un référentiel client unique, d'une base de données propre et de qualité, et d'une stratégie CRM multicanal », explique Eric Falque (Bearing Point). Certes, l'externalisation des études data mining reste possible quand une entreprise ne souhaite pas maintenir des équipes en interne, mais elle comporte de nombreux risques. D'une part, celui de s'appauvrir, à terme, en expertise analytique, d'autre part, celui de ne plus savoir piloter les processus marketing en rentrant dans le moule à penser d'un prestataire externe ou encore de ne pas maîtriser et comprendre les études qui sont sous-traitées. « Les marketers souhaitent aujourd'hui faire du data mining réactif, des études et des analyses de campagnes rapides pour optimiser les prises de décision, voire même, être capables d'effectuer des propositions commerciales en temps réel », conclut Eric Falque. La prise de décision rapide prévaut sur la pertinence statistique et ce ne sont pas forcément les actions les plus intelligentes en termes de data mining qui seront forcément les plus rentables.

Louis Vuitton Malletier analyse ses ventes et optimise sa relation client

Filiale du groupe LVMH, premier groupe mondial de luxe, Louis Vuitton Malletier souhaitait disposer d'outils d'analyse lui permettant d'exploiter à la fois les données de ses ventes et celles de ses clients, et ce, n'importe où dans le monde. En 1999, Louis Vuitton démarre un premier projet décisionnel visant à centraliser et à consolider les informations sur les clients et les ventes dans une même base de données. En 2001, le malletier décide de remplacer le système existant par une architecture de datawrehouse et de datamarts métiers. Ainsi, les données des deux référentiels existants (produits et magasins) ainsi que les données quotidiennes remontées depuis les points de ventes (ventes, stocks, fiches clients) sont déversées dans le datawarehouse central. Mis en service en septembre 2002, ce système décisionnel concerne environ 200 utilisateurs au siège parisien et une centaine dans les différents sièges régionaux des départements Marketing, Finance, Logistique et à terme des différents points de vente. Pour mener à bien son projet, Louis Vuitton Malletier a retenu les outils de requête et d'analyse multidimensionnelle Cognos Impromptu, Cognos Impromptu Web Report et Cognos Powerplay. L'intégration des solutions a été confiée à la branche services d'IBM. Le spécialiste de la bagagerie de luxe recherchait en fait une solution conviviale, s'adressant aux non informaticiens. Aujourd'hui, les différentes applications décisionnelles sont accessibles sur l'Intranet de la société. Les utilisateurs peuvent analyser les ventes au travers d'indicateurs clés comme le chiffre d'affaires, le panier moyen, le nombre de transactions, la gamme du produit. Ils peuvent également obtenir, grâce à l'outil Cognos Impromptu, des rapports formatés et statiques qui correspondent directement à des indicateurs clés de performance, suivis de près par les analystes financiers ou les chefs de produit marketing. « Le décisionnel nous a permis un déploiement à l'international très rapide des nouveaux outils d'analyse commerciale. Ceux-ci apportent aux utilisateurs un confort et une profondeur d'analyse qui remporte un vif succès. La vitesse d'adoption de ces nouveaux outils a été impressionnante, notamment pour les cubes multi-dimensionnels. Nous allons généraliser ces outils et cette architecture pour tous nos autres projets décisionnels », explique Cyril Way, responsable des systèmes d'information décisionnel et Internet de Louis Vuitton Malletier. Le déploiement du premier lot du projet a été réalisé sur le dernier trimestre 2002. Aujourd'hui, Louis Vuitton prévoit une extension du périmètre couvert par ces outils notam-ment au travers de développements de rapports et de cubes spécifiques aux régions et aux pays utilisateurs, ainsi que par l'intégration de données complémentaires comme le comptage clients en magasin et le flux de touristes par pays.