Big Data et Marketingdes études à l'action

Christophe @Benavent

Pr at Université Paris Ouest – http://benavent.fr

The internet Stratification

● 1990 : Data-based Marketing● 1995 : The encyclopedic Web● 2000 : e-commerce blossom and CRM● 2005 : Social Media turn and Network analysis● 2010 : Apps and Mobile : ● 2015 : Big data and IOT : machine learning

surge

1850 : Navier-stokes

WAVEWATCH III™ (Tolman 1997, 1999a, 2009) Based on of the model WAVEWATCH, as developed at Delft University of Technology (Tolman 1989, 1991a)

A world of data

BIG DATA

OPEN DATA

SELF DATASMALL DATA

Device DATA

API

DEVICE

TEXT DATA

WEB

Camera

GIT HUB

rVISUAL DATA

TAL

Dashboard ERP DATA

Network DATA

Avant tout un processus

Le problème de la qualité Le problème clé des biais de sélection.

– L'exemple des avis de consommateurs

Le mensonge et la dissimulation

– Les réseaux sociaux

Censure, troncature et interruption

– Le problème des séries chronologiques

– Le traitement des cohortes

=> Les données brutes ça n'existe pas !

Politics of algorihm

Une seule fois Occasionellement Plutôt fréquemment Très souvent-1,5

-1,0

-,5

,0

,5

1,0

1,5

,0

5,0

10,0

15,0

20,0

25,0

30,0

35,0

40,0

45,0

50,0

Motivation par fréquence de publication

Proportion

Egoisme

Vengeance vs encouragement

Espérance de Réciprocité

Alternative à une autre solution

A l'issue d'un de vos voyage avez-vous publié un commentaire en ligne?

de

gré

de

mo

tiva

tion

Pro

po

rtio

n d

e l'

éch

an

tillo

n

Knowledge : le big ne sert à rien

La dataviz ou reinveter la boule de cristal

La granularité est un graal

Satik =a

0k+a

1kM

ik+a

2kO

ik+a

3kP

ik+a

4kC

ik+ε

ik

How the world react to Tokyo Games 2024 and so ?!

La théorie dans les modèles : ie Bass

Learning machine : ex Modèles MAB

Flickr : how tagging create value with lookflow

Les algorithmes n'apprennent pas des données mais des catégories que leurs fournissent les superviseurs : espérons qu'ils ne soient pas fous

Qui définit les catégories ?

La recommandation au centre

Structurer les données et le processus d'acquisition

Des algos désormais courants

L'approche Netflix

NUDGING IS THE KEYWORD

Nudging

● Default (pre-filled formulas) → autocompletion

● Simplification → contextualisation

● Use of social norms → building Norms

● Increase in ease and convenience ...

● Disclosure (component of a price)... → price modeling

● Warning and graphics → notification

● Precommitment strategies

● Reminder

● Elicit intention

● Feed back → 100% #IOT

●

Algorithm is about Feed Back and IoT

Again algorithmic politics : AirBnB 22$ of difference (average : 140$)

Revenir à la stratégie

● Parcours client● Modèles relationnels● La connaissance et le renseignement

Need Recognition

Information search

Evaluation

Decision

Purchase

Post Purchase reaction

Consumer Experience

Relationship : Commitment, Trust and self efficacy

Environment : Cultural and material condition

48% search on mobile several time aday

82% Use their phone is the street

40% have madesome consumer reviews

45% use comparaison engine

Relationship, interactions et privacy

Brand Relationship(Trust and Commitment)

Touch Points(Customer Experience

Management)

Sociale Prsence

Légitimacy

Satisfaction

Appropriation

Data

Personnalization

La spécificité de l'information et l'abondance des données

Opinion BB Interactions Experience Volume des données

Faible : → Information structurelle

(connaissance)

Degré de Spécificité

De l'exploitation de l'information

Forte : → Information

Factuelle(intelligence)

Etudes & recherche

Panels et baromètres

CRM

Big data

En guise de conclusion

1) les données au service de la stratégie2) les algorithmes plus importants que les données3) Les effets de performativité donne un pouvoir politique aux algorithmes4) Il viendra un temps où il faudra rendre compte ( Algoritmic accountability)