Derrière le succès d’Alexa, c’est tout le fonctionnement d’Amazon qui est tourné vers l’exploitation de la data au service d’un e-commerce plus efficace et d’une expérience client de plus en plus fluide (jusqu’à pouvoir anticiper les désirs des visiteurs avant même qu’ils ne les expriment). Certes, Amazon dispose de budgets conséquents pour poursuivre sur cette voie. Pour autant, son exemple doit être moteur pour les sites e-commerçants qui doivent absolument prendre une orientation « data driven ». Par quelles étapes passer, sur le modèle du géant du Web ? C’est ce que nous allons voir en 4 parties dans ce guide.

1) La qualité des données , le socle fondamental du big data

On ne soulignera jamais assez l’importance d’avoir des données fiables et de qualité. Récolter de la data ne suffit pas : elle nécessite d’être triée, retravaillée et corrigée afin de fournir un support de prise de décision en lequel vous pouvez avoir confiance et sur lequel baser votre pilotage par la data.

Pourquoi des données de qualité sont-elles indispensables ?

"92% des entreprises pensent que leurs données comportent des erreurs. D’après la même étude menée par Experian, le pourcentage moyen des données estimées erronées est de 27%."

Ces chiffres sont d’autant plus forts qu’ils révèlent les principaux risquesliés au manque de confiance dans les données :

• La non-conformité aux régulations et législations (une inquiétude qui touche 52% des entreprises interrogées au niveau mondial) ;
• La diminution de la satisfaction client (soucis de livraison et de communication, erreurs de personnalisation, recommandations erronées) ;
• La perte de revenus ;

Les principales sources d’erreurs dans les données citées par ces mêmes sociétés sont l’erreur humaine (à 33%), l’insuffisance des budgets, le manque de ressources en interne (30%), le manque de technologie adaptée et une stratégie de data management inadéquate. D’ailleurs, moins d’1 entreprise sur 5 a déjà adopté une stratégie centralisée dans ce sens. Cela n’est pas propre aux sites e-commerçants, mais des données fiables permettent notamment d’augmenter votre chiffre d’affaires, de réduire (voire de supprimer) des dépenses qui ne génèrent aucun retour sur investissement (ROI), de mieux manager le risque, de fidéliser les clients, et surtout d’assurer une amélioration constante de votre boutique e-commerce (positionnement des offres, réussite des opérations commerciales, insights personnalisés obtenus via Google Analytics par exemple)…Le principal challenge en matière de pilotage par la data est d’éviter le célèbre « shit in, shit out » qui affecte le traitement des données dans de nombreuses organisations et entreprises.L’IA, ainsi que la grande majorité des algorithmes, a besoin de data « propre » et fiable pour véritablement fonctionner. Avant de se précipiter sur l’analyse des données pour en tirer des conclusions (en e-commerce par exemple), il est donc fondamental de préparer et sélectionner ces données.Cette mission, qualifiée de data wrangling, est souvent considérée comme l’un des principaux enjeux du Big Data dans les années à venir. Il s’agit du processus qui consiste à nettoyer et unifier des ensembles de données complexes.

E-Commerce : de quelles données parle-t-on ?

Au-delà du redressement des données CRM, vous devez prendre en compte une grande variété de sources pour compléter vos analyses : cohérence des données analytics avec le back office, le module de paiement ou bien la comptabilité, capacité à exploiter les données géolocalisées, données de stocks, suivi de vos dépenses marketing...Il est donc fondamental d’assurer la qualité de ces données pour pouvoir croiser différentes informations et les exploiter ensemble pour prendre de bonnes décisions.

“Chez Alphalyr, notre vision de départ était d’apporter des analyses très sophistiquées aux directions générales, mais nous avons très vite buté sur la qualité des données disponibles. Nous avons été obligé de développer rapidement une expertise dans la structure des données analytics pour corriger ces problèmes.”

2) Construire une vue 360°

Amazon l’a bien compris, et derrière lui l’ensemble des acteurs e-commerce : développer son site e-commerce passe par la construction d’une vue 360°, qui implique une forte consolidation des données clients. Amazon a toujours collecté des données. Dans quel(s) but(s) aujourd’hui ? Une logistique performante :

• La livraison anticipée : Amazon travaille désormais à déplacer les produits près de l’acheteur avant même qu’il ait pris sa décision d’achat, en se basant sur ses analyses prédictives Big Data.

• L’analyse prédictive : sur le même principe, il devient possible d’optimiser toute sa chaîne logistique et de réduire le temps de livraison ; Amazon identifie les fournisseurs les plus à même de répondre à la demande des clients et à leur emplacement, ce qui réduit les délais et les coûts de livraison.

Un client avec une satisfaction 5*

• Disponibilité des produits : Amazon se bat principalement sur la disponibilité des produits en catalogue et sur la profondeur du catalogue : l’objectif est de toujours le produit désiré en stock

• La satisfaction du client : en affinant ses recommandations de produits et en anticipant les désirs et besoins de ses clients, Amazon améliore considérablement l’expérience de l’internaute.

• L’optimisation des prix : Amazon utilise le Big Data pour affiner ses prix, attirer plus de clients et augmenter ses profits d’environ 25% chaque année. Les prix peuvent varier en fonction de votre activité, du pricing des concurrents, de la disponibilité de la référence et d’une multitude d’autres facteurs.

Prendre en compte tous les paramètres à analyser

Obtenir une vue 360° de votre site e-commerce implique de prendre en compte une multitude de paramètres et d’en croiser les données. L’idée est d’obtenir une vue complète qui vous livre des insights précieux sur vos produits, vos positionnements, les performances de votre site et leur impact sur l’expérience client, vos ventes et taux de conversions, etc. Avec bien sûr à la clé, tous les éléments pour soutenir votre croissance e-commerce.Parmi les paramètres à suivre et analyser, relevons qu’Amazon valorise plus les KPI d’input qui permettent d’agir que les KPI d’ouput comme le chiffre d’affaires.

• Performance technique du site : vitesse de téléchargement des pages et images, temps de réponse du serveur,
• Logistique : durée des livraisons, stock
• Placement des produits (résultats de recherches, pages catégories)
• Contenu produits (information, positionnement des informations, benchmark en fonction des données de performance des produits)
• Diffusion cohérente des produits sur des portails et sites tiers ;
• Données sur les notes et avis clients pour maximiser le taux de conversion ;
• Tunnel d’achat ;
• Disponibilité des produits ;
• Données sur le pricing et les offres promotionnelles, en mesurant l’efficacité des campagnes on-site, mais aussi en comparant l’offre du site e-commerce à ses concurrents ;
• Conversion ;
• Analyse et réconciliation de différents formats et sources de trafic ;
• Identification des produits hors stock, des performances et des données web-to-store, y compris au niveau local dans le cas d’un réseau brick and mortar ;

Selon le trafic du site e-commerce concerné, beaucoup de paramètres et de sources de données peuvent se révéler pertinents : suivi du parcours visiteur (eye tracking, mouvements de souris…), données issues du chat en direct, sondages visiteurs et clients, questionnaires de satisfaction, audit SEO, accessibilité, moteur de recherche interne, données sur les paniers abandonnés, conversion par appareil et navigateur, etc. C’est ce que permet de faire Amazon avec AWS (Amazon Web Services), en proposant les applications nécessaires à une collecte fiable et à l’exploitation intelligente des données issues de différentes sources, à l’image de QuickSight.

3) Bien exploiter la data

Les données comptent, tout comme leur volume et leur variété. Néanmoins, tout cela n’a aucune importance si vous n’êtes pas en mesure de les exploiter.

Repenser ses KPI pour établir une vraie culture data-driven

A trop se focaliser sur le tunnel de conversion et les ventes, les responsables de sites e-commerçants oublient de se poser des questions fondamentales telles que : « le produit est-il toujours en stock ? », « la logistique est-elle optimisée ?», « les délais de livraison sont-ils optimaux ? ».Amazon (et d’autres, tels que Netflix), ont bien compris que les métriques inputs sont aussi importantes que les métriques outputs. Cela signifie que le succès de ces sociétés repose aussi sur le fait qu’elles se concentrent sur le processus autant que sur les objectifs de résultats (actions et méthodes comptent, pas seulement les ventes), ce qui permet de s’améliorer en permanence en prenant en compte les données à disposition à tous les stades de fonctionnement. Pour y parvenir, de grands axes de travail sont nécessaires : lier « insight » et action (en quoi consiste concrètement la résolution d’une problématique business?), avoir de vrais objectifs (et non pas seulement une infrastructure dédiée à la récolte de données), une véritable transposition et intégration de la donnée avec le fonctionnement et les outils « du monde réel » de l’entreprise, ainsi que la mise en place de feedbacks réguliers.

Autres suggestions d’éléments e-commerce pour trouver de nouvelles sources de données

Un site e-commerce est riche en données pertinentes… à condition de savoir où aller les chercher. Pour diversifier l’analyse, vous pouvez regarder du côté des points suivants :

• Historique d’achat

Sur la base des achats précédents, quels sont les produits et catégories privilégiés par l’utilisateur ? Dans quelle gamme de prix? A quelle fréquence ? Ce type d’informations permettra d’affiner les suggestions personnalisées qui peuvent lui être faites.

• Wishlist (liste de souhaits)

Les listes de souhaits sont des mines d’or pour les e-commerçants. Elles permettent d’identifier facilement les envies du visiteur et donc ses achats potentiels dans le futur. Amazon a compris cela très tôt… et a étendu cette fonctionnalité jusqu’à pouvoir créer des wishlists multiples (ce que l’on retrouve aujourd’hui sur d’autres sites commerçants, notamment de voyage). Il s’agit donc d’une excellente source de données à analyser et à exploiter.

• Réaction aux emails

Taux d’ouverture moyen, taux de clic moyen, partage, achat… les données issues de vos campagnes d’email marketing permettent d’identifier ce qui fait réagir (voire acheter) les abonnés.

• Données d’abandon de panier

Y a-t-il un niveau de prix qui déclenche l’abandon ? Trop d’options disponibles ? L’achat du produit est-il peu urgent ? Examiner les abandons de panier peut permettre de repérer des tendances pertinentes chez les acheteurs.

Croiser les sources et faire des analyses multi-sources

Connecter entre elles différentes sources de données apporte de nombreux bénéfices à un site e-commerçant :

• Révéler des corrélations qui n’apparaissaient pas jusque-là

En croisant des données issues de votre CRM, de rapports financiers, du service marketing, des ventes et bien sûr de tout ce que vous collectez au niveau de votre site Internet, vous êtes en mesure de découvrir des corrélations pertinentes que vous n’auriez pas pu identifier en vous basant uniquement sur une source de données.

• Obtenir une vue à 360° de votre activité

Nous l’avons évoqué dans la partie précédente. Récolter et croiser des ensembles de données de différentes sources permet d’avoir un panorama complet de l’activité du site et du profil de ses clients. L’analyse gagne en profondeur grâce aux multiples variables, temporalités, catégories et types de données croisés. Vous pouvez alors contextualiser la performance et prendre de bonnes décisions pour l’avenir, tout en étant en mesure de prioriser vos efforts.

• Approfondir la collaboration au sein de votre société

Travailler sur différentes sources de données signifie que la collaboration entre différents services est renforcée, ce qui apporte des bénéfices stratégiques et opérationnels à moyen et long termes.

• La variété des sources de données permet d’enrichir vos hypothèses pour les tests A/B

Amazon a été pionnier en matière d’A/B Testing. Et c’est entre autres grâce à l’exploitation en profondeur de ses données que le géant du Web a notamment pu :

• Arrêter de référencer ses produits « CRAP » (Can’t Realize Any Profit) ;
• Négocier de nouveaux deals avec certains fournisseurs ;
• Réaliser en quelques secondes ce que des marques traditionnelles faisaient en plusieurs semaines… et à la main (en croisant des données papier avec des livres de comptes, des courriers, etc.)
• Identifier les opportunités les plus rentables en matière d’affinités de paniers, etc.

Tout cela ne serait pas possible avec une seule source de données.

4) Lancer des algorithmes machine learning et deep learning

Amazon est réputé pour son utilisation massive de l’Intelligence Artificielle et à sa remarquable capacité d’innovation dans ce domaine.Machine learning, deep learning et e-commerceLe deep learning est un sous-ensemble du machine learning, qui fait lui-même partie du domaine plus large de l’intelligence artificielle. Il désigne un ensemble de méthodes d'apprentissage automatique basées sur l’apprentissage de modèles de données et le recours à des algorithmes permettant aux robots et machines d’apprendre de manière autonome. En matière d’e-commerce, le machine learning et le deep learning permettent un grand nombre d’innovations, la plus connue étant la recommandation personnalisée au plus près des attentes d’un consommateur.Mais les algorithmes permettent d’aller plus loin : reconnaissance d’image, Natural Language Processing (NLP), gestion de la relation client, capacité d’un ordinateur à identifier et transcrire des paroles en texte écrit en temps réel (Siri, etc.), reconnaissance vocale…Pour y parvenir, les robots et machines nécessitent bien sûr un grand nombre de données. Voici quelques exemples d’utilisation de l’intelligence artificielle, du machine learning et du deep learning par Amazon et de manière plus générale, par les entreprises e-commerce « data-driven » :

• Recommandations personnalisées : le célèbre « si vous aimez produit X, vous aimerez sûrement produit Y » en est la forme la plus mémorable. Mais là où auparavant, les recommandations devaient être ajoutées ou hard-codées à la main de manière plus ou moins approximative, l’intelligence artificielle vient aujourd’hui révolutionner la manière de suggérer des achats. Les algorithmes actuels se basent soit sur un filtrage collaboratif (clients similaires), soit sur un filtre basé sur le contenu;
• Prédictions de demande : Amazon, en agrégeant et en analysant les données d’achats via le machine learning, prévoit la demande de manière toujours plus précise ;
• Technologie publicitaire (Amazon) : analyse de milliards d’impressions d’annonces et de clics;
• Optimisation de la recherche et des résultats de recherche : partie intégrante de la recherche de la plus grande pertinence possible et d’un ordre optimal d’affichage des produits suite à une requête, cette dimension est de plus en plus affinée grâce aux algorithmes. Les rankings ne sont pas les seuls impactés, puisque les robots peuvent aussi affiner les capacités de recherche interne, en suggérant par exemple les bonnes extensions aux termes recherchés par un visiteur.
• Détection des anomalies et de la fraude : une approche automatisée intelligence de lutte contre la fraude dont l’efficacité a été prouvée par PayPal (0.32% de fraude contre 1.32% en moyenne) ;
• Support client et chatbots : l’apprentissage machine et le deep learning permettent désormais de répondre par téléphone, message instantané ou e-mail aux questions des clients. Cela est permis par les avancées récentes en matière de reconnaissance vocale et de traitement automatique du langage naturel. Les robots prennent en compte l’intégralité des données contextuelles et paroles qui leur parviennent (plutôt qu’un seul mot) et le comparent aux schémas récurrents auxquels ils ont déjà été exposés.
• Gestion des stocks ;
• Calcul des délais et prix d’envoi et de livraison ;
• Analyse du sentiment : il est possible d’évaluer la perception et le ressenti du public (vis-à-vis d’un produit par exemple) en se basant sur des sources comme les réseaux sociaux.
• Amélioration du merchandising ;
• Reconnaissance (précise) des images : recommandations de produits basées sur les goûts « réels » des clients, avec la mise en avant de produits aux caractéristiques similaires, d’après l’analyse des images consultées.
• Reconnaissance faciale : directement lié au point précédent, la reconnaissance faciale est désormais possible, grâce à Amazon Rekognition notamment : « Amazon Rekognition utilise des modèles de réseaux neuronaux profonds pour détecter et étiqueter des milliers d'objets et de scènes dans vos images, et nous ajoutons sans cesse de nouvelles étiquettes et des fonctions de reconnaissance faciale à ce service. »
• Prédiction du comportement futur des acheteurs : les réseaux de neurones récurrents, fondamentaux dans les méthodes de deep learning, permettent de traiter les « histoires » et données brutes sur les clients et de livrer des modèles prédictifs particulièrement précis sur la manière dont ils raisonnent, naviguent et consomment.
• Calcul de propensity models :
• Calcul des affinités de panier ;

Pour d’autres acteurs e-commerce (dans le voyage par exemple), le pricing dynamique est également boosté par ce recours au deep learning.Amazon donne accès au machine learning et à d’autres types d’intelligence artificielle via son service AWS, Amazon Web Services, que d’autres entreprises peuvent utiliser.Le cercle vertueux de l’Intelligence Artificielle L’un des points forts de cette approche, au-delà des innovations qu’elle permet, est que l’IA « s’auto-nourrit » : Plus de données (bien traitées) > De meilleures analyses > De meilleurs produits > Plus de clients et utilisateurs > Plus de données… Et ainsi de suite.