1. Data dans le Marketing - Introduction

L'augmentation des données non structurées, propulsée par les nouvelles technologies, est en train de basculer les marchés et la gestion des activités de marketing. Malheureusement, ces données restent pour la plupart inexploitées par de nombreuses entreprises, ce qui laisse entrevoir le potentiel de développement de la recherche. 

---

Customer tracking data

La possibilité de contrôler et d'analyser les données est devenue de plus en plus accessible ces dernières années, et il est plus que jamais important pour les entreprises de l'utiliser correctement. Les données de parcours en ligne, désormais courantes, conservent les journaux des activités suivantes: d'achat, de recherche, de navigation, de consommation de médias numériques et d'autres actions de navigation sur le web. Les appareils mobiles étendent encore la portée du suivi des activités au monde hors ligne, en enregistrant les emplacements physiques des consommateurs et leurs visites dans les magasins. La prolifération des dispositifs de l'internet des objets et l'adoption croissante d'objets à portée par les consommateurs permettent d'obtenir des données de suivi encore plus riches, par exemple les activités détaillées en magasin ou la biométrie 24h/24 et 7j/7. Tout ça permet d’obtenir des informations complètes en temps réel sur le comportement des consommateurs en ligne.

Network data

Nous vivons dans un monde de plus en plus connecté. Outre les réseaux sociaux de personnes, d'autres réseaux, de produits, de marques, de magasins, sont également de plus en plus répandus. Même pour les données traditionnelles, une vue en réseau peut être bénéfique. Au lieu de traiter les consommateurs ou les produits comme des unités autonomes, les données de réseau encodent les connexions entre un grand nombre d'entités et présentent une vue holistique de l'environnement marketing.

Hybrid data

Aujourd’hui les méthodes d'apprentissage automatique peuvent facilement traiter des données multi-types. Avec ces méthodes, tous les types de données sont d'abord convertis en vecteurs, ce qui facilite leur manipulation. L’auteur donne plusieurs exemples : l'annonce d'un appartement sur Airbnb qui contient une description textuelle ainsi que des images, un utilisateur en ligne peut lire des commentaires et parcourir les spécifications d'un produit, un téléspectateur d'un jeu sportif peut poster des messages sur Twitter tout en regardant le programme à la télévision. La gestion des données hybrides permet aux entreprises de stimuler l'innovation en accédant aux données, en les partageant et en les analysant de manière transparente. Comme les consommateurs sont de plus en plus exposés aux différentes types des informations, selon l’auteur la capacité de transformation l’ensemble des données est très important afin de bien comprendre le comportement d’un consommateur dans l’objectif d’anticiper ses besoins.

Prédiction 

Conformément à leur objectif traditionnel, les méthodes d'apprentissage automatique ont été utilisées pour la prédiction dans la recherche marketing. La tâche de prédiction peut être l'objet d'une étude, ou un composant d'un cadre plus large. En marketing, l’analyse prédictive peut être utilisée pour prendre de meilleures décisions en matière de planification et d'achat de médias. Bien que les chercheurs préfèrent généralement les interprétations, l'importance de la prédiction est accrue par l'augmentation de l'échelle et de la complexité des tâches de marketing dans le monde réel. Par exemple, un système qui peut prédire la prochaine visite d'un consommateur dans un magasin ou sur un site Web peut constituer un solide argument en faveur d'une contribution méthodologique, tout comme un système de recommandation qui prédit avec précision le produit qui intéresse chaque consommateur.

Grâce à cela, les spécialistes du marketing peuvent mieux comprendre quelles campagnes fonctionnent et quels types de publicité entraîneront une augmentation des ventes à l'avenir.