Des Big Data pour élaborer la prochaine meilleure offre à faire à un client

Les premiers moteurs n’étaient pas à même d’intégrer suffisamment d’information pour faire des offres vraiment personnalisées tenant compte des caractéristiques individuelles d’un client. Ils se contentaient d’exploiter quelques informations disponibles pour pousser une offre possible. Les nouvelles générations de moteurs de recommandation sont à même d’intégrer toutes les informations des canaux de commercialisation, qu’elles concernent les historiques d’achat, les communications entrantes ou sortantes, les parcours sur le web, les visites de sites (fructueuses ou non), et de produire des scores qui vont pouvoir être mixés par exemple avec des données temps réel, lorsque le client est en ligne, pour faire la meilleure offre possible.

Tout ceci est rendu possible grâce aux Big Data qui permettent des calculs massivement parallèles sur des fermes de serveurs low cost, la mise en œuvre d’algorithmes complexes (graph analysis, text mining, path analysis, etc...), le traitement de données sur des profondeurs d’historiques, des séries temporelles très longues. Il s’agit aussi de mettre en place des profils et d’activer des campagnes dynamiques, grâce à des analyses multidimensionnelles, permettant d’aligner les besoins des clients et les intérêts de l’entreprise avec une mise en priorité et une personnalisation des offres. Il y a de gros profits en ligne de mire, pas simplement de l’optimisation des modèles de data mining déjà en place (attrition, ventes croisées, …), c’est stratégique en particulier dès que l’on touche à la tarification.

Ce qui est particulièrement intéressant c’est que sans que ces approches soient à court terme pour toutes les entreprises, elles concernent cependant toutes les grandes compagnies et toutes les entreprises qui vivent directement du web. On trouve donc dans les références Big Data de Teradata de grandes compagnies traditionnelles de diverses industries (banque, télécommunications, distribution, manufactures, gouvernement, etc.) avec des entreprises comme par exemple Wells Fargo, AT&T, Sears, General Motors, United Air Force, et des entreprises d’e-buiness de différentes tailles comme eBay, Overstock, Intuit, Razorfish, Full Tilt Poker, Gilt groupe, etc.

Sans parler de la rareté des ressources humaines nécessaires, l’inconvénient des approches Big Data actuelles est qu’il faut avoir recours à de nombreuses technologies pour couvrir ses besoins. Les entreprises pionnières s’en plaignent, surtout les plus petites, telle que LinkedIn qui a recours à une douzaine de solutions différentes dont Teradata pour couvrir ses besoins de stockage et d’analyse (online, near-line, offline). Les écosystèmes ainsi créés sont difficiles à maintenir compte tenu des évolutions incessantes des éléments qui les composent, et qui sont pour la plupart peu matures. Hadoop par exemple fait l’objet d’une douzaine de projets de développement parallèles, pour faire évoluer les possibilités en matière de stockage, d’analyse, de liens avec des solutions existantes du marché plus ou moins incontournables, notamment en matière de restitution, de visualisation.

Dans ce contexte les grands du monde du décisionnel cherchent tous à proposer des moyens d’intégration des données et des solutions décisionnelles et opérationnelles, car au-delà de l’analyse, ce qui compte c’est l’action, c’est par exemple de pouvoir au final faire l’offre la plus susceptible d’être acceptée par un client particulier. Dans ce domaine Tearadata propose UDA (Unified Data Architecture) qui permet d’intégrer ses solutions décisionnelles (Teradata, Aster), ses solutions Marketing (Aprimo, eCircle) et les solutions de ses partenaires spécialisés (par exemple pour le text mining les solutions d’Attensity) et Hadoop (Hotonworks, …). Pour aller plus loin sur ce sujet vous pouvez utilement consulter le lien suivant :
http://www.teradata.com/News-Releases/2012/Teradata-Integrates-Big-Data-Analytic-Architecture/