{"id":19937,"date":"2015-12-01T09:00:39","date_gmt":"2015-12-01T08:00:39","guid":{"rendered":"http:\/\/visionarymarketing.fr\/blog\/?p=19937"},"modified":"2024-05-15T10:21:50","modified_gmt":"2024-05-15T08:21:50","slug":"big-data-et-web-to-store","status":"publish","type":"post","link":"https:\/\/visionarymarketing.com\/fr\/2015\/12\/01\/big-data-et-web-to-store\/","title":{"rendered":"Le Big Data au service du Web to store"},"content":{"rendered":"

Le Web-to-store est un sujet souvent \u00e9voqu\u00e9 sur ce blog. Celui-ci se d\u00e9veloppe \u00e0 un rythme effr\u00e9n\u00e9, gr\u00e2ce notamment \u00e0 l’\u00e9mergence des objets connect\u00e9s et des big data. Le Big Data permet en effet de perfectionner une strat\u00e9gie de Web-to-store en identifiant le client et en r\u00e9utilisant ces informations \u00e0 bon escient en magasin.\u00a0<\/em>J\u2019ai rencontr\u00e9 r\u00e9cemment\u00a0Vincent <\/span><\/em>Heuschling<\/span> d\u2019Affini-Tech<\/a>. Nous avons eu une discussion int\u00e9ressante\u00a0durant Vincent\u00a0nous a parl\u00e9 des Big Data, et expliqu\u00e9 leur utilisation dans le cadre de<\/a> Web-to-store<\/strong>. Il nous a \u00e9galement pr\u00e9sent\u00e9 deux cas concrets men\u00e9s par son entreprise.<\/em><\/span><\/p>\n

Comment le Big Data aide \u00e0 am\u00e9liorer le Web-to-store<\/h2>\n
\"Web-to-store\"
Web-to-store et Big Data – image produite avec Midjourney<\/figcaption><\/figure>\n

Je vais prendre un exemple : un de nos clients nous a sollicit\u00e9. Celui-ci avait une\u00a0activit\u00e9 en magasin, et finan\u00e7ait des campagnes publicitaires sur le web. Pourtant, il ne connaissait pas l\u2019impact de ses\u00a0activit\u00e9s sur les ventes en magasin. Dans quelle mesure, cette activit\u00e9 sur le Web, tr\u00e8s couteuse, peut-elle \u00eatre rentabilis\u00e9e\u00a0?<\/p>\n

Comment optimiser une approche Web-to-Store ?<\/h3>\n

Et comment l\u2019optimiser\u00a0? Dans ce cas, nous parlons de \u00ab\u00a0Data science\u00a0\u00bb\u00a0: c\u2019est-\u00e0-dire trouver les meilleurs algorithmes de la donn\u00e9e, pour saisir les corr\u00e9lations. Nous avons donc regard\u00e9 les cat\u00e9gories d\u2019articles les plus\u00a0app\u00e9tantes, puis de cr\u00e9er des promotions sur le web pour g\u00e9n\u00e9rer\u00a0par la suite des visites et des achats en magasin. Il est important de r\u00e9ussir \u00e0 trouver une liaison entre des activit\u00e9s bien \u00ab\u00a0track\u00e9es\u00a0\u00bb\u00a0(traffic web) et d\u2019autres qui le sont moins facilement\u00a0(traffic en magasin).<\/p>\n

\"Web-to-store\"<\/a>
Web-to-storeCr\u00e9er un tunnel de conversion en magasin est moins simple que sur le Web, mais il existe des outils permettant d’unifier les deux parcours, et ainsi mieux servir le client.<\/figcaption><\/figure>\n

Pour cr\u00e9er ce tunnel de conversion, nous avions distribu\u00e9 des cartes de fid\u00e9lit\u00e9 aux clients qui venaient en magasin. Ceci permettait d\u2019avoir un suivi de l\u2019individu dans sa visite sur le web, de savoir combien de temps apr\u00e8s ceci il venait en magasin, et si ce client-l\u00e0 avait fait un achat qu\u2019il avait vu sur le web. Ce syst\u00e8me permet donc d\u2019avoir une identification plus pr\u00e9cise.<\/p>\n

Pour les autres, c\u2019\u00e9tait plut\u00f4t de la projection de cette identification sur des grandes masses de population<\/strong>. Dans ce cas, nous n\u2019avons pas un individu, mais une zone g\u00e9ographique qui est la zone d\u2019\u00e9chelle d\u2019indice d\u2019un magasin. Par exemple : nous avons eu beaucoup de visites sur une\u00a0cat\u00e9gorie d\u2019article, et quelques jours plus tard, nous avons eu une augmentation de l\u2019achat dans ces cat\u00e9gories d\u2019articles. Il y a toujours dans ces sujets Big Data une certaine marge de man\u0153uvre, mais \u00e9galement\u00a0une incertitude qui reste malgr\u00e9 tout.<\/strong><\/p>\n

Nous parlons donc de corr\u00e9lation et non pas de cause \u00e0 effet\u00a0?<\/strong><\/h3>\n

Pour les clients qui sont encart\u00e9, et qui ont eu des visites identifi\u00e9es sur le Web et en magasin, puis un\u00a0achat en magasin, nous parlons d\u2019une vraie causalit\u00e9. Un vrai impact de la visite et de la promotion sur le web d\u2019un article a eu lieu.<\/p>\n

Sur la grande masse effectivement, nous ne pouvons nous dire qu\u2019il y a une probabilit\u00e9 que la projection du comportement de ces clients tr\u00e8s fiables qui sont encart\u00e9s soit valable sur le reste de la population<\/strong>.<\/p>\n