Conduire une analyse de marketing numérique

Conduire une analyse de marketing numérique est nécessaire aux marketeurs pour évaluer les performances de leurs initiatives numériques et éclairer leurs prises de décision, en fournissant des informations approfondies sur le comportement des consommateurs.

Conduire une analyse de marketing numérique consiste à collecter, mesurer, analyser, visualiser et interpréter des données numériques liées au comportement des internautes consommateurs. Elle vise à mesurer les audiences et comportements sur les différents supports digitaux.

Aujourd’hui, une énorme quantité de données est générée, accroissant pour les marques la nécessité de l’analyse numérique pour comprendre leurs clients et prospects et pour percevoir et exploiter les opportunités d’actions de marketing.

 

Conduire une analyse de marketing numérique consiste à suivre un plan bien connu que le schéma ci-dessous rappelle et précise.

 

 

 

 

 

 

 

 

 

 

Les quatre étapes de la conduite d’une analyse de marketing numérique sont les suivantes :

– Définir l’objectif de l’analyse.

– Collecter des données.

– Analyser les données.

– Faire rapport des résultats.

 

Présentons chacun de ces points ainsi que les risques de tromperie.

 

1. Les objectifs de l’analyse de marketing numérique.

Dans une entreprise, les niveaux d’objectifs sont divers comme le montre le schéma ci-dessous :

 

 

 

 

 

 

 

 

 

Il faut bien distinguer les objectifs de marketing des objectifs généraux de l’entreprise, des objectifs de média et des objectifs de campagne promotionnelle.

Ce sont les objectifs de marketing qu’on retient ici. Ils suivent le parcours de décision du consommateur et comporte 5 sous-objectifs de création ou de développement :

– la notoriété ;

– la prise en considération ;

– le processus de vente ;

– le positionnement de la marque.

À chaque phase, correspond une question principale à laquelle l’analyse numérique doit donner une réponse :

–Notoriété : les clients et prospects se souviennent-ils et reconnaissent-ils la marque ?

–Considération : les clients et prospects prennent-ils la marque en considération ?

–Evaluation active : le produit répond-il mieux que les autres au besoin du consommateur ?

–Achat : les efforts de promotion sur les « lieux de vente » (Point of Sales ou POS) produisent-ils des résultats ?

–Fidélité :  les clients sont-ils fidèles et font-ils la promotion de la marque ?

Chaque question principale doit répondre aux trois questions suivantes : quoi, comment et pourquoi.

Si on retient l’objectif marketing de fidélité, on peut imager de dresser le plan d’analyse suivant :

 

 

 

 

 

 

 

 

 

 

Concernant la fidélité, source d’accroissement des ventes :

–quoi : quel degré d’intérêt pour la marque les consommateurs ont-ils manifesté ces derniers temps ?

–comment : comment les segments de clients ont-ils défendu la marque ?

–pourquoi : pourquoi certaines actions marketing ont-ils stimulé les ventes, alors que d’autres ne l’ont pas fait.

On peut lister les sources souhaitables ou possibles de données mais on peut être conduit à chercher ailleurs.

Google a récemment publié un nouvel outil appelé « recherche d’ensembles de données » qui donne gratuitement aux analystes l’accès à 25 millions d’ensembles de données. (Voir : https://datasetsearch.research.google.com/)

Les ensembles de données gratuites sont les premières sources à consulter.

Les autres sources du tableau ci-dessus ne sont pertinentes que pour le cas d’étude retenu par l’auteur mais elles donnent des indications sur les recherches à faire.

 

2. Les sources de données

La technologie rend aujourd’hui les données plus accessibles que jamais pour conduire une analyse de maketing numérique .

On distingue les données structurées des autres données

-Les données structurées sont des données formatées et faciles à utiliser parce que déjà traitées par le détenteur (par exemple : données sur les ventes, données du recensement de la population, données d’une étude, etc.)

-Les données non structurées sont des ensembles de textes, d’images, de liens, ensembles qui peuvent porter sur un même sujet mais qui ne sont pas organisée (par exemple : un flux Twitter)

On peut accéder à ces données de trois façons

-par téléchargement facilité par les banques de données ou les propriétaires des données ;

-par des interfaces de programme d’application (API) qui permettent la connexion entre ordinateurs lorsque le propriétaire des données n’a pas construit de point d’accès de téléchargement ;

-par l’extraction du contenu de sites Web via un programme informatique, dans le but d’utiliser ce contenu dans un autre contexte ; extraction opérée par l’analyste ou par des sociétés de services spécialisées.

 

3. Les types d’analyse des données

Cinq types d’analyses sont possibles :

– l’analyse descriptive. La visualisation des données dans une ou plusieurs formes de graphique, accompagnée de quelques indicateurs comme la plage, la moyenne, l’écart-type peut donner une première idée synthétique des résultats.

– l’analyse inférentielle. Lorsque l’ensemble de données est trop volumineux, on peut en tirer un échantillon, en faire l’analyse et extrapoler les résultats à l’ensemble des données.

– l’analyse exploratoire. La visualisation multiple est ici nécessaire pour approcher les résultats principaux s’il y en a.

– l’analyse causale. C’est la liaison, l’interaction entre des ensembles de données qui sont recherchées.

– L’analyse prédictive. C’est l’analyse la plus difficile car elle exige qu’on ait construit une modèle explicatif valable pour tenter une prévision.

L’exploration des données peut conduire à réaliser des recherches de changement, de regroupement, de relativité, de classement et de corrélation.

-Le changement. C’est l’évolution dans le temps qui « raconte » une histoire et conduit à se pose des questions sur les causes.

-La segmentation (clustering). Elle cherche à repérer des rassemblements significatifs.

-La comparaison. Elle conduit à collecter des données et à les comparer.

-Le classement. Elle vise à classer les données collectées du plus important au moins important ou du plus impactant moins impactant.

-La corrélation. Elle conduit à voir si les données se connectent les unes aux autres, si elles sont « liées ».

Cette exploration conduit à recourir à différents types de techniques visuelles pour voir si des « modèles » émergent des données. Le tableau ci-dessous liste les principaux types de graphiques.

 

 

 

 

 

 

 

 

 

 

 

 

4. Le rapport d’analyse.

Laissant de côté la construction du texte du rapport, on se consacrera à la partie visuelle du rapport.

Il ne s’agir pas de faire de jolies images mais de faciliter aux destinataires du rapport (en principe, surchargés), la lecture des résultats, de « raconter l’histoire » que ces résultats révèlent, de donner les réponses aux questions qu’on a initialement choisies de traiter.

Des documents visuels simples mais démonstratifs sont nécessaires.

Concernant l’évolution du rythme de diffusion des produits technologiques, voici une manière de transformer des données brutes en un graphique démonstratif et facile à comprendre.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Le deuxième graphique ne retient qu’une partie des données pour donner plus de visibilité à l’essentiel.

Un titre et un sous-titre ont été ajouté pour l’ensemble du tableau et un titre pour les axes des X et des Y, titres écrits horizontalement (et non verticalement).

Des explications ont été données pour éclairer le lecteur sur chaque point du graphique.

 

5. Les risque de tromperie.

La compréhension du comportement du consommateur progresse nettement, en particulier grâce aux appareils mobiles (smartphone, ou appareils domestiques) et à la puissance de traitement des données (Intelligence artificielle).

Mais progressent également très rapidement les tromperies et les risques concernant l’information numérique.

Les bots (logiciel-robot qui interagit avec des serveurs informatiques mais de façon automatique) sont parfois utilisés pour augmenter artificiellement le nombre d’interlocuteurs de l’entreprise, en particulier dans les médias sociaux.

Les robots de trafic peuvent également être utilisés pour produire artificiellement des clics et des liens ; ils peuvent également interagir avec des publicités, faussant les mesures de toute analyse numérique.

Des pop-ups publicitaires (fenêtres qui s’affichent lors de la navigation au sein d’un site web) peuvent être installés à l’insu de l’internaute lorsque ce dernier télécharge un document.

Des acteurs propagent de fausses nouvelles en créant des faux profils sur les réseaux.

D’autres fraudeurs essaient de tirer parti de ce qu’on a appelé l’affichage « sur mesure » (L’entreprise indique quelle publicité elle veut placer devant quel type de consommateur ; la plate-forme signale à l’entreprise qu’elle a un consommateur prêt à recevoir telle annonce ; et l’opération se réalise si l’entreprise a gagné l’enchère) en créant un réseau de faux sites, de faux internautes et en proposant aux entreprises de faire de la promotion auprès de faux prospects.

Les marques sont largement conscientes de ces défis mais souvent ne connaissent pas les moyens de repérer ces tromperies et fraudes.

 

(Source principale :  https://www.coursera.org/learn/digital-analytics?specialization=digital-marketing

L’analyse du marketing numérique en pratique

Pour plus de développements, voir :

https://outilspourdiriger.fr/lanalyse-du-marketing-numerique/

https://outilspourdiriger.fr/les-impacts-du-numerique/

https://outilspourdiriger.fr/realiser-sa-transformation-numerique-1/

https://outilspourdiriger.fr/numerisation-magasin/

 

Aucune reproduction ne peut être faite de cet article sans l’autorisation expresse de l’auteur.  A. Uzan. 12/03/2022