Abstrait

Machine Learning 2018 : Application de l'analyse des mégadonnées et de l'apprentissage automatique au marketing de précision - Santosh Godbole - SSN Solutions Limited

Santosh Godbole

La création et l'utilisation de profils d'acheteurs ne sont pas une nouveauté. Les annonceurs ont mis beaucoup de temps à comprendre et à définir le profil d'acheteur de leurs produits. En outre, ils ont un processus ardu de définition et d'exécution de campagnes élaborées pour sécuriser les données des acheteurs et les guider vers les profils requis. Bien après avoir dépensé une grande partie de leur budget, les annonceurs sont confrontés à différents problèmes pour entrer en contact avec le bon acheteur : la collecte de données est une tâche coûteuse, souvent les informations ne sont pas valides ou obsolètes ; cela commence à influencer le rythme de changement de l'entreprise, ce qui fait du retour sur investissement un rêve incroyable. La méthodologie standard utilisée dans la collecte de données et la création de profils présente différents problèmes : la plupart des profils créés aujourd'hui sont statiques. En effet, l'acte de mettre à jour le profil d'acheteur est parfois utile mais pas parfait. Deuxièmement, il existe tellement de variables (caractéristiques) associées au processus dynamique du client. L'approche du spécialiste du marketing consistant à limiter l'acheteur à un nombre limité de profils est très restrictive et erronée. La réponse à ces problèmes déroutants est de construire un profil client multidimensionnel qui soit toujours à la pointe de la technologie. Cela est possible en attirant les clients à différentes étapes de leur journée, qu'il s'agisse de scènes en ligne telles que les relations informelles, les audits, les sites Web, les sentiments, les avis ou les paramètres hors ligne tels que les études, les échanges, les journaux, etc. Construire un profil client multidimensionnel moderne n'est certainement pas une tâche simple. C'est le genre de problème où des outils tels que les données volumineuses, l'analyse des données et l'IA peuvent être utilisés le plus efficacement. Le Big Data est la plus grande opportunité de changement de comportement pour le marketing et les ventes depuis qu'Internet est devenu courant il y a près de 20 ans. Le big bang des données a libéré des torrents de téraoctets sur tout, des comportements des clients aux tendances météorologiques en passant par les changements démographiques des consommateurs dans les marchés émergents. Le monde s'est enthousiasmé pour le Big Data et l'analyse avancée non seulement parce que les informations sont volumineuses, mais aussi parce que le potentiel d'impact est énorme. Nos collègues du McKinsey Global Institute (MGI) ont attiré l’attention de nombreuses personnes il y a plusieurs années lorsqu’ils ont estimé que les détaillants exploitant l’analyse de données à grande échelle dans l’ensemble de leurs organisations pourraient augmenter leurs marges d’exploitation de plus de 60 % et que le secteur de la santé américain pourrait réduire les coûts de 8 % grâce à l’efficacité et à l’amélioration de la qualité de l’analyse des données.1 Malheureusement, atteindre le niveau d’impact prévu par le MGI s’est avéré difficile. Il est vrai qu’il existe des exemples de réussite d’entreprises comme Amazon et Google, où l’analyse de données peut être un fondement de l’entreprise. Mais pour la plupart des entreprises traditionnelles, le succès de l’analyse de données s’est limité à quelques tests ou à des tranches étroites de l’activité. Très peu d’entre elles ont obtenu ce que l’on pourrait appeler « un impact important grâce au big data »." ou un impact à grande échelle. Par exemple, nous avons récemment réuni un groupe de responsables de l'analyse de données de grandes entreprises qui sont très déterminés à exploiter le potentiel des données massives et de l'analyse avancée. Lorsque nous leur avons demandé quel degré d'amélioration des revenus ou des coûts ils avaient obtenu grâce à l'utilisation de ces techniques, les trois quarts ont répondu que ce n'était que de 1 %. Dans des articles précédents, nous avons montré comment l'exploitation du potentiel de l'analyse des connaissances nécessite les éléments de base de toute bonne transformation stratégique : elle commence par une idée, exige la création de nouvelles capacités de direction pour se concentrer réellement sur les données et, peut-être plus important encore, relève les défis culturels et de développement des compétences nécessaires pour que la première ligne (et pas seulement l'équipe d'analyse) s'approprie le changement.

Biographie:

Santosh est cofondateur et directeur des produits chez SSN Solutions Limited. Chez SSN, son rôle est de définir la feuille de route des produits et des technologies. Avant de rejoindre SSN, il était directeur principal de l'ingénierie chez ARRIS (Inde). Chez ARRIS, il a dirigé une grande équipe d'ingénieurs répartis dans plusieurs pays. Il a également occupé divers postes de direction, tels que directeur de la gestion des produits chez Cisco Video Technologies, vice-président de la gestion des produits chez NDS Services Pay-TV Technology Pvt. Ltd., cofondateur et vice-président de l'ingénierie de Sensact Applications et cofondateur et architecte chez Metabyte Networks. Il est titulaire d'un certificat du programme de gestion générale exécutive (EGMP) de l'IIM de Bangalore, d'une maîtrise en informatique de l'IIT de Madras et d'une licence en informatique, d'une maîtrise de l'université de Baroda.