Complexités du data-driven marketing

On a beau lire de nombreux articles sur le sujet, difficile d’imaginer certaines questions qu’on peut se poser en termes de data tant qu’on n’y est pas confronté. Chez Siècle Digital, on sait que nos lecteurs ont depuis fort longtemps compris que l’important ce n’est pas le big data mais la smart data, et autres grands principes recommandés par les spécialistes du sujet. Mais entre la théorie et la pratique… pas toujours facile de mettre tout ça en oeuvre ! Voyons certaines difficultés qu’on peut rencontrer quand on se lance là dedans – et promis, c’est pas de maths qu’on va parler.

La qualité de la data

Une étude Experian Marketing nous l’apprenait en février 2017 : 92% des entreprises n’ont pas confiance en la qualité de leur data. Dès lors, comment prendre des décisions éclairées ? « Mais en quoi exactement n’ont-ils pas confiance », vous demandez vous ? Développons un exemple pour rendre tout cela plus concret : imaginons que vous ayez une boutique sur Amazon et que vous suiviez votre clic-to-sale (CTS). Si un prospect clique sur votre produit A, puis se balade sur votre produit B puis C avant de revenir cliquer sur A, ça compte 2 clics pour A, ou 1 clic ? Parce que si vous calculez votre CTS sans être certain de la réponse à cette question, il y a de fortes chances que vous compariez des carottes et des écrous rouillés. Hmm… Coup de bol, votre équipe data est formelle : les clics sont dédupliqués. Question réglée, ouf. Mais au fait, la fenêtre de dé-duplication est de combien ? 1mn, 5mn, 10mn, 30mn ?… Autrement dit, si un utilisateur part en laissant sa session ouverte et la reprend 45 mn plus tard, combien de clics sur A sont comptés dans l’exemple précédent ? Pfiou, ça se complique ! En plus, si on continue à filer l’exemple de notre boutique Amazon, un autre élément désagréable peut vous arriver : constater un écart entre vos volumes de clics et ceux qu’Amazon vous remonte. Damned. Quels chiffres sont les bons ? Il y a des erreurs dans les fichiers ou c’est juste que, sous le même nom de colonne, Amazon et vous ne parlez pas tout à fait de la même chose ? Comment savoir, par où commencer pour vérifier ? Voilà, vous y êtes, vous commencez à bien vous arracher les cheveux. Et attendez c’est pas tout vous allez rire : si vous utilisez un fichier de reporting développé et complété au fur et à mesure des années, il y a fort à parier qu’une erreur s’est glissée dans une ou deux formules, ou une ou deux requêtes data, et… voilà vous y êtes : bienvenue dans le lot des 92% d’entreprises qui n’ont pas confiance en leur data !

Le gap du multicanal

Ca fait un moment qu’on en parle, mais le sujet n’est toujours pas réglé, du moins pour la majorité des commerçants : il est toujours aussi difficile de tracker le parcours d’un prospect qui commence une recherche sur desktop au bureau et continue le soir sur mobile. Evidemment, des Facebook, Google ou Amazon n’ont pas ce problème car il y a de fortes chances que, sur toutes vos devices, votre compte chez eux soit loggé en permanence. Ils vous suivent ainsi sans peine, quel que soit le chemin que vous empruntez. Mais pour tous les autres, difficile de pleinement comprendre des parcours ou actions utilisateurs quand le changement d’appareil vient créer d’énormes brèches dans l’analyse. Et encore, ça c’est quand on regarde au sein de l’écosystème numérique. Plus complexe encore, l’analyse du web-to-store ou store-to-web. Comment savoir si une action marketing en magasin a déclenché un achat sur le web, ou l’inverse ? La certitude n’est jamais totale. D’autant plus que nous voici arrivés au 3ème point…

Les effets de bord

Quand bien même l’on aurait vérifié la qualité de sa data avec la plus grande exigence et mis en place un système de tracking d’une grande robustesse, n’en reste pas moins qu’à l’heure de l’analyse, se présentent souvent des éléments extérieurs qui viennent complexifier l’analyse. Expliquons nous de nouveau par l’exemple : imaginons que vous soyez Décathlon et que vous souhaitiez tester une baisse de prix sur les tongs en période printanière. Vous avez décidé qu’à partir du 1er mai les tongs seront à 10€ au lieu de 12€ dans vos magasins et espérez bien voir si leurs ventes ont plus de succès que l’année dernière où elles restèrent moroses. Il s’avère qu’une forte vague de chaleur s’abat sur la France et que vos ventes explosent.Vous ne saurez jamais quantifier l’impact de l’un et de l’autre et ne pourrez donc prendre des décisions pérennes sur cette base (du type : « en mai, pas la peine de faire des promos sur les tongs, ça part pas » ou « au printemps, l’élasticité de la vente des tongs à une promo de 17% est de 25% »). A moins que – comme vous êtes Décathlon vous êtes un peu fortiche tout de même ! – vous ayez en même temps conduit un A/B test sur votre site web, avec un groupe de contrôle rigoureusement construit, qui vous aura permis de chiffrer l’uplift de la promo sur vos ventes ! L’exemple ici choisi vous paraît peut-être simple et trivial, pourtant vous seriez étonnés de savoir à quel point les effets de bord sont fréquents et complexifient la lecture de la data des actions marketing. Il y a toujours quelque chose d’autre qui se passe en même temps.

Et voilà quelques exemples, loin d’être exhaustifs, pour évoquer les difficultés que l’on peut croiser quand on se lance dans le data-driven marketing.  La vérité dans les chiffres peut être parfois difficile à trouver, la rigueur, la méthode et la persévérance seront vos solides alliées.