5 manières d'utiliser la science des données en marketing

Introduction à la science des données en marketing

Vous est-il déjà arrivé d'acheter des articles sur une plateforme d'e-commerce, puis d'être inondé(e) de publicités pour des produits similaires à chaque fois que vous naviguez sur le web ? C'est un exemple d'application de la science des données en marketing.

La majorité des données mondiales ont été générées au cours des deux dernières années seulement, et les entreprises ont désormais la capacité de collecter et de stocker des données clients à une échelle inédite. À chaque interaction des utilisateurs avec le site web d'une organisation, sa page sur les réseaux sociaux ou son système de caisse (POS), de nouveaux points de données sont créés.

Ces données servent ensuite à comprendre le comportement des utilisateurs et à leur adresser des publicités ciblées, des recommandations de produits personnalisées et des offres promotionnelles.

La plupart d'entre nous interagissent quotidiennement avec ces applications de data science marketing et prennent inconsciemment des décisions qui en découlent. 

Dans cet article, nous allons passer en revue 5 façons d'utiliser la science des données en marketing. Puis, nous explorerons un projet personnel à ajouter à votre portfolio de data science pour chaque cas d'usage. Enfin, nous verrons pourquoi devenir data scientist marketing et comment décrocher un poste dans ce domaine.

5 cas d'usage de la science des données en marketing

1. Systèmes de recommandation

Des entreprises comme Netflix, Spotify et Amazon utilisent des systèmes de recommandation pour proposer aux utilisateurs des contenus personnalisés en fonction de leurs interactions avec la plateforme.

Par exemple, si vous regardez un film sur Netflix et lui attribuez une note positive, la prochaine fois que vous ouvrirez l'application, on vous proposera des films du même genre, avec un contenu et des acteurs similaires. 

C'est un exemple simple de notre interaction quotidienne avec des moteurs de recommandation.

Les systèmes de recommandation gagnent en puissance au fil du temps à mesure que les utilisateurs interagissent avec eux. 

Si vous venez d'arriver sur Spotify, vos premières suggestions musicales seront génériques. L'application recommandera un large éventail de genres grand public, car l'algorithme ne dispose pas encore de suffisamment de données pour connaître vos préférences.

Au fur et à mesure que vous passez du temps sur la plateforme, le moteur de recommandation apprend vos goûts et vos aversions, et vos suggestions musicales se calent sur vos préférences. L'algorithme peut même anticiper le type de musique que vous apprécierez selon les saisons ou les moments de la journée.

Types de systèmes de recommandation

On distingue globalement deux grandes familles de systèmes de recommandation : les systèmes basés sur le contenu et ceux basés sur le filtrage collaboratif.

1. Systèmes de recommandation basés sur le contenu :

Image par l'auteur

Les systèmes de recommandation basés sur le contenu formulent des suggestions uniquement à partir des caractéristiques du produit. 

Par exemple, si vous avez aimé les romans de la série Percy Jackson, on pourra vous recommander Heroes of Olympus, écrit par le même auteur et relevant d'un genre similaire.

Un inconvénient de cet algorithme est qu'il ne vous proposera pas d'ouvrages différents de ceux que vous avez déjà lus. Si vous avez apprécié Percy Jackson, vous ne verrez que des livres d'aventure et de fantasy, même si vous pourriez tout autant apprécier un essai ou un polar.

On peut pallier cette limite grâce au filtrage collaboratif, que nous expliquons plus loin dans l'article.

Idée de projet : système de recommandation basé sur le contenu

Si vous débutez et avez peu ou pas d'expérience en systèmes de recommandation, le Kaggle Movie Dataset est un excellent point de départ. Il contient des métadonnées pour 45 000 films, incluant affiches, dates de sortie, genres et revenus.

Vous pouvez suivre pas à pas le tutoriel Recommender Systems in Python sur DataCamp pour construire un système de recommandation basé sur le contenu à partir des informations disponibles dans ce jeu de données.

Si vous préférez un accompagnement plus guidé, inscrivez-vous à une session de code en direct sur DataCamp. Un expert vous y apprendra à créer des systèmes de recommandation en R en 1 h 30, et vous pourrez lui poser vos questions en cas de difficulté.

2. Systèmes de recommandation par filtrage collaboratif

Les modèles de filtrage collaboratif génèrent des suggestions à partir des comportements passés des utilisateurs. Ils se divisent en deux sous-catégories : le filtrage collaboratif basé utilisateur et celui basé article.

Comme son nom l'indique, le filtrage collaboratif basé utilisateur regroupe les clients ayant des comportements similaires. 

L'algorithme recommande ensuite des produits en s'appuyant sur les préférences partagées par ces segments de clients, comme illustré ci-dessous :

Image par l'auteur

À l'inverse, le filtrage collaboratif basé article regroupe les articles similaires en fonction des préférences des utilisateurs, comme le montre cette image :

Image par l'auteur

Pour en savoir plus sur les différents types de systèmes de recommandation et leur mise en œuvre, suivez le cours Build Recommendation Engines in Python de DataCamp.

Idée de projet : filtrage collaboratif

Vous pouvez créer un système de recommandation par filtrage collaboratif en vous appuyant sur le jeu de données Book Recommender System sur Kaggle. Il contient trois variables : un identifiant utilisateur, l'ISBN du livre et une note utilisateur pour chaque ouvrage.

Ce tutoriel sur les systèmes de recommandation vous aidera à démarrer si vous ne maîtrisez pas encore le filtrage collaboratif.

2. Analyse de sentiments

Image de KDNuggets

L'analyse de sentiments, aussi appelée opinion mining, consiste à déterminer l'émotion sous-jacente d'un texte. C'est une autre application phare de la science des données en marketing. 

Voici un exemple de la valeur business que l'analyse de sentiments peut apporter :

Une banque sud-africaine constatait un taux d'attrition client supérieur à la normale. De nombreux utilisateurs partaient vers la concurrence et ne souhaitaient plus faire affaire avec elle. La banque a tenté d'identifier la cause grâce à l'analyse de sentiments.

Elle a collecté plus de 2 millions de points de données sur les réseaux sociaux pour analyser ce que disaient les clients et a entraîné un modèle d'analyse de sentiments sur ces données.

Sur cette base, l'établissement a compris que la plupart des commentaires négatifs venaient d'utilisateurs mécontents du manque de guichetiers pendant la pause déjeuner, entraînant de longues files d'attente.

La banque a corrigé le tir en ajoutant des guichetiers lors des pics d'affluence, ce qui a réduit l'attrition.

Cet exemple illustre à quel point l'analyse de sentiments aide les entreprises à améliorer leur offre et à prendre l'avantage sur leurs concurrents. Parmi les autres usages : l'analyse produit, les études de marché et l'exploitation des avis utilisateurs.

Pour en savoir plus sur les modèles d'analyse de sentiments et apprendre à les construire de zéro, suivez le cours Sentiment Analysis in Python sur DataCamp.

Idée de projet : analyse de sentiments

Commencez par créer un modèle d'analyse de sentiments d'avis de films à l'aide d'un jeu de données disponible dans la bibliothèque NLTK. NLTK est un package Python proposant un large éventail d'algorithmes pour le traitement du langage naturel. 

Dans ce projet, vous utiliserez un jeu de données de critiques de films intégré à la bibliothèque, importable avec une seule ligne de code. Il s'agira ensuite de construire un algorithme qui classe les critiques en sentiments positifs et négatifs.

Suivez le tutoriel Python Sentiment Analysis sur DataCamp si vous avez besoin d'un guide pour démarrer.

3. Prédiction de l'attrition client

Image de DeepNote

L'attrition client se produit lorsqu'un utilisateur cesse toute relation commerciale avec une entité. Par exemple, si vous êtes abonné(e) à Netflix et décidez d'interrompre votre abonnement, vous êtes un client en attrition.

Il coûte plus cher à une entreprise d'acquérir un nouveau client que de retenir un client existant. C'est pourquoi de nombreuses organisations recrutent des data scientists pour identifier les utilisateurs susceptibles de partir, afin d'empêcher que cela ne se produise.

Voici un exemple de l'apport d'un modèle de prédiction de l'attrition pour fidéliser :

Vous êtes abonné(e) à un fournisseur d'accès Internet et vous subissez récemment des débits lents. Vous avez déposé plusieurs réclamations et contacté le support, sans résultat. Vous avez même redémarré le routeur et réinitialisé la connexion à plusieurs reprises.

Finalement, vous envisagez de passer à un concurrent tant votre expérience est dégradée.

L'équipe data du FAI collecte des données comportementales, suit l'activité des utilisateurs connectés au réseau et agrège les informations de réclamation. Après consolidation, l'équipe détecte un risque élevé d'attrition dans votre cas.

Elle alerte immédiatement les équipes marketing et produit que vous pourriez cesser de faire affaire avec elles.

Le marketing vous contacte alors avec des offres personnalisées, des forfaits Wi-Fi remisés et propose même une montée de gamme gratuite. Après l'upgrade, vous constatez des débits bien meilleurs et une expérience plus satisfaisante. Vous décidez de rester plutôt que de partir chez un concurrent.

Cet exemple montre l'efficacité des modèles d'attrition pour retenir les utilisateurs existants. Ce cas d'usage crée de la valeur directe et est largement exploité par les plateformes par abonnement comme Netflix et Spotify, dont les revenus reposent sur le renouvellement.

Idée de projet : prédiction de l'attrition client

Utilisez le jeu de données Telecom Customer Churn sur DataCamp pour réaliser votre premier projet de prédiction d'attrition. 

Ce jeu de données rassemble des informations sur des utilisateurs d'un opérateur iranien : âge, comportements d'usage, ancienneté d'abonnement, réclamations, etc. Servez-vous-en pour prédire si un client risque de partir.

Si vous ne savez pas par où commencer, suivez le tutoriel Customer Churn Rate Prediction pour bâtir ce modèle. Vous pouvez aussi consulter notre cours Predicting Customer Churn in Python.

4. Segmentation client

Image de Madlytics

La segmentation client consiste à diviser les utilisateurs en sous-groupes partageant des caractéristiques communes. Chaque segment reçoit ensuite des offres et promotions adaptées à son comportement.

Voici comment la segmentation client peut créer de la valeur :

Une entreprise d'e-commerce construit un modèle de segmentation pour cibler les utilisateurs avec des promotions personnalisées. 

Si un utilisateur consulte souvent la plateforme mais n'achète qu'en période de promotion, il est classé comme « chasseur de promos ». Tous les clients de ce segment reçoivent immédiatement un e-mail dès qu'une remise est en cours, car ils sont plus susceptibles d'acheter à ce moment-là.

À l'inverse, certains clients recherchent des articles précis et sont prêts à payer le prix fort, privilégiant la qualité au coût. Ils sont ciblés différemment : l'équipe marketing leur présente des produits haut de gamme en lien avec leurs centres d'intérêt.

Ainsi, les clients à fort pouvoir d'achat voient des produits plus chers en phase avec leurs attentes, ce qui les incite à dépenser davantage. Ceux qui privilégient le prix sont séduits par des articles abordables pendant les périodes de promotion.

Cet exemple, bien que simple, montre comment la segmentation permet d'optimiser la valeur extraite de chaque utilisateur. 

Un des usages les plus courants de la segmentation consiste à créer des groupes d'annonces pour les campagnes marketing.

Facebook, par exemple, collecte des données démographiques et comportementales et permet aux entreprises de diffuser des publicités ciblant des audiences personnalisées selon ces informations. Les utilisateurs peuvent être segmentés selon des critères précis comme la localisation, l'âge, le genre, les marques appréciées ou leurs affinités. 

La segmentation client se fait généralement via des modèles d'apprentissage non supervisé comme le clustering K-Means. 

Pour en savoir plus sur la segmentation client et la construction d'algorithmes tels que K-Means, suivez notre cours Customer Segmentation in Python.

Idée de projet : segmentation client

Vous pouvez utiliser l'E-Commerce Dataset de DataCamp pour bâtir un projet portfolio de segmentation.  

Ce jeu de données regroupe des détails de commandes passées sur une plateforme d'e-commerce basée au Royaume-Uni. 

Il enregistre des informations d'achat comme les articles commandés, le prix et la date de facture ; vous pouvez vous en servir pour segmenter les utilisateurs en fonction de leur activité sur la plateforme.

5. Analyse du panier d'achat

Image de Analytics Vidhya

L'analyse du panier d'achat, ou fouille d'associations, consiste à analyser les articles fréquemment achetés ensemble. On traite pour cela les historiques d'achats afin d'identifier les combinaisons de produits souvent présentes dans une même transaction.

Les enseignements de cette analyse aident les enseignes à optimiser l'agencement des magasins et à encourager l'achat de plusieurs articles en un seul passage en caisse.

Par exemple, une personne qui achète du lait infantile est aussi susceptible d'acheter des couches ; ces articles sont donc souvent placés côte à côte pour faciliter l'accès. 

Cependant, les schémas d'achat ne sont pas toujours évidents. Selon la région, la culture et la démographie, les clients associent des articles de catégories différentes. Beaucoup de ces corrélations échappent à l'œil humain, d'où l'intérêt de techniques comme l'analyse du panier d'achat.

Voici comment cette méthode peut révéler des associations insoupçonnées :

L'exemple le plus cité est l'étude « bière et couches ». Une chaîne de supermarchés du Midwest aurait utilisé le data mining pour repérer des articles souvent achetés ensemble.

Son analyse a montré que les clients achetaient fréquemment bière et couches le vendredi soir. Cette corrélation peut sembler fortuite, mais voici un scénario plausible :

Un jeune père passe au supermarché le vendredi soir pour acheter quelques bières après une longue semaine de travail. Sa conjointe, le sachant, lui demande de prendre des couches pour leur nouveau-né. Cette habitude s'installe, et de nombreux pères achètent bière et couches avant de rentrer à la maison le vendredi.

Suite à cette découverte, le magasin place bière et couches dans le même rayon et observe aussitôt une hausse des ventes.

Ce récit, rapporté pour la première fois au milieu des années 90, a vu son authenticité remise en question. Fiction ou non, il rappelle la puissance des statistiques pour mettre au jour des corrélations invisibles à l'œil nu.

L'analyse du panier d'achat ne se limite pas au retail physique. Les plateformes d'e-commerce affichent aussi des produits fortement corrélés sur la même page, pour qu'ils restent dans le champ de vision des utilisateurs. 

Si vous consultez en ligne un jean noir, par exemple, vous verrez des chaussures assorties en bas de page, vous incitant à acheter un ensemble plutôt qu'un seul article. Là encore, cela entraîne une hausse directe du panier moyen.

Pour approfondir l'analyse du panier d'achat et sa mise en œuvre via des techniques de machine learning, suivez le parcours Market Basket Analysis in Python. Si vous préférez R, suivez le cours Market Basket Analysis in R. 

Idée de projet : analyse du panier d'achat

Pour démarrer, vous pouvez utiliser le même E-Commerce Dataset mentionné dans la section segmentation client. Notez qu'il s'agit d'une version tronquée d'un jeu de données disponible sur le UCI Machine Learning Repository et qu'il ne comporte que 2 500 lignes. Téléchargez la version complète si vous souhaitez davantage de données.

Comme expliqué précédemment, l'E-Commerce Dataset contient des transactions clients comme les numéros de facture et les produits achetés. Vous pouvez l'utiliser pour identifier les articles souvent achetés ensemble lors d'une même transaction.

Appuyez-vous sur le tutoriel Market Basket Analysis in R pour implémenter ce projet. Si vous préférez Python, consultez notre cours Market Basket Analysis in Python.

Science des données en marketing - prochaines étapes :

Pourquoi envisager de devenir data scientist marketing ?

La data science offre une grande variété d'applications en marketing, dont plusieurs évoquées ci-dessus. Ces cas d'usage créent une valeur directe pour les entreprises en boostant les ventes, en résolvant les irritants clients et en favorisant la consommation.

Autrefois, quand les organisations n'avaient pas accès à autant de données clients, les experts marketing réalisaient eux-mêmes nombre de ces tâches. L'analyse de sentiments et les études de marché passaient par des enquêtes. Les campagnes ciblées reposaient sur l'intuition et la connaissance du client, davantage que sur les données.

Aujourd'hui, avec l'explosion des volumes de données collectées et stockées, les entreprises adoptent une approche fondée sur les données. 

Cela dit, recruter des data scientists ne suffit pas pour traiter des cas d'usage marketing.

S'ils savent manier des jeux de données complexes, construire des modèles prédictifs très précis et conduire des analyses statistiques, ces talents manquent souvent de connaissances métier marketing et peinent à relier les données aux enjeux business.

De leur côté, les spécialistes marketing comprennent les comportements clients, formulent des problématiques et orientent les décisions marketing, mais n'ont pas toujours l'expertise technique pour traiter de grands volumes de données.

Un data scientist spécialisé en marketing réunit ces deux compétences, inestimables pour les organisations. Il fait le lien entre data science et marketing et prend des décisions basées sur les données, profitables à l'entreprise.

Comment devenir data scientist marketing

Pour devenir data scientist marketing, vous devez combiner de solides compétences techniques et analytiques, une connaissance du domaine marketing et des soft skills :

1. Compétences techniques

• SQL pour extraire, nettoyer et manipuler des données dans des bases. Suivez le cours Introduction to SQL pour apprendre les bases de la manipulation de bases de données.
• Maîtrise des statistiques et connaissances en apprentissage supervisé et non supervisé. Suivez le cours Introduction to Statistics pour les fondamentaux de l'analyse statistique.
• Connaissance d'au moins un langage de programmation (R, Python, Java, etc.). Si vous ne codez pas encore, suivez le parcours de compétences Python Programming de DataCamp ou son équivalent R.
• Capacité à mener des tests A/B. 
• Compétences en datavisualisation et en création de tableaux de bord avec des outils comme Tableau, Power BI et Excel.
• Compréhension du fonctionnement et de l'optimisation des campagnes publicitaires sur des plateformes comme Facebook et le Google Display Network.
• Capacité à concevoir des expérimentations et à réaliser des modèles d'attribution.

Gardez à l'esprit que ces exigences varient selon l'entreprise et l'équipe. Une équipe axée sur les recommandations produit, par exemple, ne s'occupera pas d'optimisation d'annonces ni d'attribution.

Si vous manquez de connaissances métier marketing et souhaitez apprendre à mener un test A/B, à visualiser des indicateurs marketing et à analyser des conversions, suivez le cours Introduction to Pandas for Marketing sur DataCamp.

2. Soft skills

• Excellentes aptitudes de communication.
• Capacité à vulgariser des concepts techniques complexes auprès de la direction et à éclairer la décision.
• Capacité à formuler des solutions basées sur les données pour résoudre des problèmes business.

Pour mieux cerner les attentes des entreprises envers un data scientist marketing, voici un extrait des exigences d'Uber pour ce poste :

Si vous n'avez pas encore d'expérience en data science marketing, le meilleur moyen de montrer vos compétences est de créer des projets qui résolvent des problèmes réels. 

Nous avons listé des projets pertinents pour chaque application abordée dans cet article. Les présenter sur votre CV montrera aux recruteurs que vous savez créer de la valeur grâce aux techniques de data science.

Enfin, si vous souhaitez combler vos lacunes et apprendre à appliquer la data science au marketing, suivez le cours Machine Learning for Marketing in Python de DataCamp, ou son équivalent en R.