Université Sultan Moulay Slimane

Faculté Polydisciplinaire
Béni-Mellal

Département de Sciences Économiques

conomiques et Gestion

MEMOIRE POUR L’OBTENTION DE LA LICENCE EN SCIENCES ÉCONOMIQU

CONOMIQUES ET GESTION
Rapport de Projet de Fin d’Etudes sous le thème :

BIG DATA
RÉALISÉ PAR : ENCADR
ENCADRÉ PAR :

- Marouan KACHACH - Pr. Rachid HASNAOUI

Année universitaire : 2016/2017

 SOMMAIRE
SOMMAIRE.................................................................................................................... 2

Remerciements ................................................................................................................ 4

Problématique ................................................................................................................. 5

Introduction ..................................................................................................................... 6

CHAPITRE 1 : Cadre conceptuel du Big Data............................................................ 8

1. Définition du Big Data ....................................................................................... 8

2. Les caractéristiques du Big Data ..................................................................... 9

2.1. Le volume du Big Data .............................................................................. 9

2.2. La variété du Big Data .............................................................................. 10

2.3. La vitesse du Big Data .................................................................................. 10

3. Les sources du Big Data ................................................................................... 11

3.1. Les catégories de sources du Big Data .................................................... 11

3.1.1. Les sources dirigées .............................................................................. 12

3.1.2. Les sources automatisées ..................................................................... 12

3.1.3. Les sources volontaires ........................................................................ 13

3.2. L’Open Data .............................................................................................. 13

4. Big Data en chiffres .......................................................................................... 15

CHAPITRE II : LES APPORTS DU BIG DATA AU MARKETING .................... 17

1. Le Big Data appliqué au service marketing ................................................... 17

1.1. La relation entre le Big Data et le Marketing......................................... 17

1.2. Le rôle du Big Data à la prise de décision Marketing ........................... 18

2. Etude de cas « Amazon » ................................................................................. 19

3. Les enjeux du Big Data .................................................................................... 22

3.1. Assurer la qualité des informations......................................................... 22

 3.2. Optimiser le traitement des données ....................................................... 23

3.3. Relier tous les métiers ............................................................................... 23

3.4. Garantir la sécurité ................................................................................... 23

3.5. Humaniser les données ............................................................................. 24

Conclusion ..................................................................................................................... 25

Liste des figures ............................................................................................................. 26

Liste des abréviations ................................................................................................... 27

Bibliographie ................................................................................................................. 28
Remerciements

Ce travail a été le labeur de plusieurs années d’études, et n’aurait probablement

jamais été mené à terme sans le soutien d’un grand nombre de personnes que je tiens

vivement et très sincèrement à remercier.

Je commencerai d’abord par remercier mon encadrant et professeur Mr Rachid

HASNAOUI pour son aide précieuse, pour la qualité de ses conseils, pour le temps

qu’il m’a accordé pour m’encourager et me soutenir.

Je remercie également tous nos enseignants et tout le personnel de la Faculté

Polydisciplinaire de Beni Méllal qui nous ont fait bénéficier d’une formation de qualité.

Je remercie également les membres du jury qui nous ont fait l’honneur d’accepter

d’évaluer ce travail.

Veuillez, messieurs et mesdames, accepter mon profond respect.

Marouan KACHACH
Problématique

Avant les années 2000, les méthodes dites traditionnelles de stockage, de traitement et
d’analyse des données étaient suffisantes pour nous produire des informations exploitables.
Cependant, avec le développement technologique et la hausse des coûts de stockage et de
traitement des données ainsi que l’apparition des réseaux sociaux et des lois qui obligent la
conservation des données pendant une durée déterminée, ces anciennes méthodes ne sont plus
suffisantes pour nous garantir des informations exploitables. L’apparition de la notion « Big
Data », a permis l’analyse de très grands volumes de données, issus de différentes sources
pour faire sortir des informations prêtes à être utilisées par les demandeurs avec un coût réduit
et un délai raisonnable.

Actuellement, les demandeurs de l’information, que ce soit des sociétés, des Etats, des
personnes …etc., sont devenus trop exigeants à cause de l’environnement instable dans lequel
ils opèrent. C’est dans ce contexte que s’inscrit notre problématique :

- Quels sont les apports du Big Data au marketing ?

- Qu’est ce que le Big Data ? Quelles sont ses caractéristiques ? Quelles sont ses
sources ? Quels sont ses enjeux ?

- Existe t-il une relation entre le Big Data et le marketing ? Qu'il est le rôle du Big
Data à la prise de décision Marketing ?
Introduction
Depuis sa création jusqu’au jour présent, Internet a considérablement vu se multiplier le
nombre de ses utilisateurs à l’échelle mondiale. Par ailleurs, l’apparition des Smartphones et
autres types d’objets connectés, combinée à l’avènement des médias sociaux, a donné
naissance à une mutation sans précédent au niveau des données stockées ou générées à
l’échelle globale. Données d’un volume incommensurable, de nature et de sources variables et
obéissant à un impératif de collecte et de traitement rapides.

Les chiffres sont impressionnants et reflètent à quel point notre société

contemporaine est envahie par les données. On entend parfois dire que ces données
sont l’« or noir » du 21e siècle et qu’elles confient le pouvoir à ceux qui en détiennent le
contrôle (Research, 2013) 1 . Ces données recouvrent tous les aspects de notre vie
quotidienne : ce sont des informations financières, environnementales, médicales,
comportementales, démographiques, psychographiques sur les consommateurs, de
surveillance… etc. Elles proviennent, entre autres, de capteurs, d’appareils mobiles,
d’appareils techniques, des réseaux sociaux et des blogs (PwC2).

Avec cette explosion de données , beaucoup d’entreprises dites historiques, ont dû

s’adapter pour faire face à la e-transformation de leur secteur d’activité et à ce
nouveau canal de distribution, de consommation et de partage de l’information. La
consommation traditionnelle et de masse à laquelle étaient habituées les entreprises a
disparu et laisse place à une consommation plus réfléchie, davantage comparative et où tous
les internautes peuvent donner leur avis et échanger.

Le client est donc plus que jamais au cœur de la stratégie commerciale et marketing des
entreprises. Il devient important de l’identifier clairement et de le connaitre pour pouvoir le
suivre entre les différents points de contact qu’il effectue avec une marque afin de lui
proposer les bonnes offres au bon moment, que ce soit via un magasin physique, un
Smartphone, une tablette, un ordinateur, sa télévision, et bientôt ses lunettes connectées, sa
montre ou son bracelet connecté.

On parle de marketing one-to-one. Une offre peut être taillée sur mesure pour un seul
client en fonction de son historique de navigation, de la fréquence de ses passages dans une
boutique, du temps qu’il a passé à regarder tel ou tel produit... etc. Ce marketing personnalisé
vise bien entendu à faire ressentir au consommateur qu’il est unique et précieux aux yeux
de l’entreprise et à catalyser ainsi l’acte d’achat.

Ce travail de recherche est composé de deux parties. Dans un premier temps, nous
tenterons de comprendre ce qu’est le Big Data, les principales caractéristiques du Big Data et

1
http://thegovlab.org/wp-content/uploads/2013/06/GovLabMapDocument.pdf
2
PricewaterhouseCoopers : réseau d'entreprises internationales spécialisées dans des missions d'audit,
d'expertise comptable et de conseil.
les différentes sources du Big Data. Dans un deuxième temps, nous étudierons les apports du
Big Data à la prise de décision marketing et les enjeux du Big Data.
CHAPITRE 1 : CADRE CONCEPTUEL DU
BIG DATA

1. Définition du Big Data

L’explosion quantitative des données numériques a obligé les chercheurs à trouver de
nouvelles manières de voir et d’analyser le monde. Il s’agit de découvrir de nouveaux ordres
de grandeur concernant la capture, la recherche, le partage, le stockage, l’analyse et la
présentation des données. Ainsi est né le « Big Data ». Il s’agit d’un concept permettant de
stocker un nombre indicible d’informations sur une base numérique. Selon les archives de la
bibliothèque numérique de l’Association for Computing Machinery (ou ACM) dans des
articles scientifiques concernant les défis technologiques à relever pour visualiser les « grands
ensembles de données », cette appellation est apparue en octobre 19973.

Littéralement, ces termes signifient méga-données, grosses données ou encore données

massives. Ils désignent un ensemble très volumineux de données qu’aucun outil classique de
gestion de base de données ou de gestion de l’information ne peut vraiment travailler. En
effet, nous générons environ 2,5 trillions d’octets de données tous les jours. Ce sont les
informations provenant de partout : messages que nous nous envoyons, vidéos que nous
publions, informations climatiques, signaux GPS, enregistrements transactionnels d’achats4
en ligne et bien d’autres encore. Ces données sont appelées Big Data.

Pour les résumer en une phrase, les Big data sont un ensemble de solutions alternatives
aux solutions traditionnelles de bases de données et d’analyse qui visent à traiter un volume
très important de données, en temps réel et avec une très grande diversité de sources et de
formats.

3
http://www.lebigdata.fr/definition-big-data
4
http://www.lebigdata.fr/comment-le-big-data-revolutionne-shopping
 2. Les caractéristiques du Big Data
Pour caractériser les Big data nous
ous présentons donc ici les trois « V » de base ou les
trois

Figure 1 : Les 3V du Big Data

Source5

2.1. Le volume
olume du Big Data

C’est avant tout l’immense quantité de données qui existent déjà et qui sont encore
générées chaque seconde qui caractérise le Big Data. Alors que l’on parlait, il y a quelques
années, de giga-octets (109 octets), on parle aujourd’hui plutôt d’exa-octets
d’exa octets (1018 octets) et
de zetta-octets (1021 octets), 1,8 zetta-octet
zetta octet représentant toutes les informations enregistrées
en 2011. Etant donné que le volume mondial de données devrait atteindre 35 zetta zetta-
octets en 2020, il serait nécessaire de multiplier le nombre de serveurs physiques par
dix d’ici dix ans.

5
https://www.skillshare.com/classes/technology/Master
https://www.skillshare.com/classes/technology/Master-Big-Data-and-Hadoop-Step-By-
-Step-from-
Scratch/323940396?via=search-layout
layout-grid
 2.2. La variété du Big Data

Pour que l’on puisse parler de Big Data, il faut que les données soient variées. Des
données sont variées à partir du moment où elles proviennent de multiples sources,
telles que des capteurs, des objets intelligents, Internet et les technologies de
collaboration sociale. Les données n’incluent plus seulement des données relationnelles
traditionnelles, mais aussi des données brutes, semi-structurées ou non structurées provenant
de pages web, de fichiers en ligne, d’indexes de recherche, de forums de médias sociaux,
d’e-mails, de tweets, de statuts Facebook, de blogs, de vidéos et de capteurs entre autres
(PwC). Puisque les données ont des origines différentes, elles ont aussi des formats différents
(texte, image, audio, vidéo… etc.).

La TechAmerica Foundation’s Federal6 Big Data Commission, prétend que 85%

des données sont non structurées, 90% selon Atos (2014)7. Les organisations font donc face à
un véritable défi de tri des données afin de pouvoir en retirer des informations utiles, pouvant
produire de la valeur. Desouza (2014)8 estime que cette caractéristique du Big Data constitue
le défi le plus important pour les entreprises. En effet, celles-ci ont développé des systèmes de
gestion de données dans le but de manipuler des informations de catégories spécifiques. Par
exemple, un logiciel du département des ressources humaines est fait pour gérer des
données concernant le personnel, alors qu’un logiciel de GRC (Gestion de la Relation
Client) détient des données sur les clients.

Aujourd’hui, les organisations ne peuvent plus se contenter de gérer seulement

l’une ou l’autre catégorie de données mais sont contraintes de devoir travailler avec des
bases de données hétérogènes dans lesquelles les données sont différentes autant par leur
origine que par leur nature. Par exemple, le défi d’une entreprise sera de devoir
mélanger des données issues de médias sociaux avec les données client d’un programme de
GRC. Ensuite, elle devra analyser le mélange et en tirer des conclusions qui lui
permettront de passer à un marketing personnalisé.

2.3. La vitesse du Big Data

Par vitesse, on entend à la fois la vitesse à laquelle les données sont produites et
transformées et la vitesse avec laquelle ces données doivent être collectées, comprises
et traitées par les organisations (TechAmerica Foundation’s Federal Big Data
Commission). On peut donc parler de Big Data à partir du moment où les données sont
créées en temps réel ou presque réel (Kitchin, 2014)9. En ce qui concerne la vitesse de
traitement des données, l’augmentation du nombre de capteurs RFID10 (Radio Fréquence

6
http://www.techamericafoundation.org/about-us
7
https://atos.net/content/dam/global/documents/your-business/atos-big-data-fs-brochure.pdf
8
http://www.businessofgovernment.org/sites/default/files/Realizing%20the%20Promise%20of%20Big%20Data
.pdf
9
http://link.springer.com/article/10.1007/s10708-013-9516-8
10
Techniques permettant de mémoriser et de récupérer des données à distance.
Identification) et autres outils de transfert d’informations ont mené à un flux continu de
données dont le rythme est devenu impossible à gérer pour les systèmes de gestion de
données traditionnels.

De plus, dans un monde où une entreprise peut devancer ses concurrents en identifiant
une tendance, un problème ou une opportunité seulement quelques secondes avant les autres,
nous réalisons à quel point la vitesse d’analyse des données acquiert une importance capitale.

Enfin, il faut aussi noter que de plus en plus de données produites aujourd’hui sont
disponibles pendant un laps de temps très court. Il est donc primordial pour les organisations
de pouvoir analyser les données presqu’en temps réel afin de pouvoir en tirer des
informations valorisables pour leur performance économique.

3. Les sources du Big Data

Le Big Data est composé de données structurées, semi-structurées et non
structurées. Les premières proviennent des bases de données traditionnelles, et
constituent environ 10% du Big Data. Les autres 90 % sont des informations semi-
structurées et non structurées.

Les données non structurées proviennent :

- d’une part, de sources « humaines », via Internet (e-mails, photos, vidéos,

tweets, publications Facebook, « clics » sur les sites web, requêtes sur des moteurs de
recherche, achats et transactions en ligne … etc.) et via les réseaux de
télécommunications (appels téléphoniques et conversations de call centers) ;

- d’autre part, de « machines » qui génèrent des données automatiquement, comme les
téléphones mobiles (données de géolocalisation (GPS) et données historiques d’utilisation),
les avions (les vols d’essai de l’Airbus A 350 généré 2 To (téraoctets) par jour), les capteurs
(utilisés par exemple pour collecter des informations climatique) et les objets connectés
en général (comme des montres ou des habits « intelligents », connectés à l’aide de codes
barres ou de puces RFID).

Parmi toutes ces sources du Big Data, nous pouvons distinguer des données qui sont
générées à cause d’une action humaine volontaire, et d’autres qui sont produites
automatiquement par des machines, ou qui résultent d’une action humaine sans but de fournir
des données.

3.1. Les catégories de sources du Big Data

Les sources du Big Data peuvent généralement être réparties en trois catégories,
décrites ci-dessous :
 3.1.1. Les sources dirigées

Elles génèrent des données via des technologies de surveillance traditionnelles, qui
sont dirigées vers une personne ou un lieu par un opérateur humain. C’est par exemple le
cas des systèmes destinés au contrôle des passeports. Ils collectent et vérifient des
informations sur les voyageurs qui sont stockées dans des bases de données en temps réel. A
partir de ces dernières, des nouvelles données peuvent être générées comme des photos
d’identité, des empreintes digitales ou encore des empreintes rétiniennes. C’est aussi le cas
des capteurs environnementaux électromagnétiques ou thermiques qui permettent des
cartographies 2D et 3D mobiles et en temps réel.

3.1.2. Les sources automatisées

Les données sont générées par des appareils ou des systèmes avec des fonctions
automatiques qui ne nécessitent pas d’intervention humaine. Ces sources incluent :

- les téléphones mobiles, qui enregistrent et communiquent automatiquement les

informations historiques de leur utilisation ;

- les appareils mobiles en général, qui peuvent transmettre des données de géo-
localisation ;

- les interactions et transactions sur les réseaux digitaux, qui non seulement transfèrent
des informations, mais génèrent aussi des données à propos des interactions et des
transactions elles-mêmes (comme les virements bancaires ou les e-mails) ;

- les données de flux de « clics », qui enregistrent comment les gens naviguent à travers
un site web ou une application mobile (données historiques « Cookies11 ») ;

- les données générées par les objets connectés et les capteurs ;

- les données audio provenant de call centers ou d’écoutes téléphoniques dans le cas de
services de renseignements gouvernementaux.

Beaucoup de ces données automatisées ont pour origine des objets physiques. Ce
sont des appareils mobiles et des capteurs qui sont capables de « sentir » des
caractéristiques de l’environnement, telles que la géo-localisation, la température ou le
mouvement. Dès lors que ces objets communiquent des informations à d’autres objets ou
à une base de données, on parle « d’objets connectés ». A l’échelle mondiale, le réseau
formé par ces objets connectés est appelé l’« Internet des Objets » (Gartner, 2016b)12.

L’Internet des Objets est une tendance complémentaire à la tendance Big Data et
va donc aussi révolutionner le monde actuel. Aujourd’hui apparaissent déjà des «

11
Informations conservées sur votre ordinateur par un site web que vous visitez.
12
http://www.gartner.com/it-glossary/internet-of-things
montres connectées », des « voitures connectées », des « vêtements connectés » et peut-être
qu’un jour notre corps humain sera aussi connecté. Ainsi, l’Internet des Objets constitue une
des sources principales du Big Data.

3.1.3. Les sources volontaires

Les données sont volontairement fournies par les utilisateurs. Celles-ci proviennent
principalement des interactions à travers les réseaux sociaux, comme les publications
de contenus et les téléchargements (uploads) de fichiers (images, vidéos, fichiers … etc).
Par ailleurs, le crowdsourcing13 (littéralement, « contribution par la foule ») sur des
plateformes « open source », où les utilisateurs contribuent eux-mêmes au contenu du
web (comme Wikipédia), constitue aussi une source volontaire du Big Data (Institut des
Actuaires en Belgique).

Cette foultitude de sources d’informations différentes traduit la dimension Variété.

Celle-ci engendre une des forces majeures du Big Data : rassembler ces données provenant
d’origines différentes et les croiser afin d’en faire ressortir des résultats que l’on ne
pourrait découvrir autrement.

3.2. L’Open Data

Une autre source importante du Big Data est l’Open Data (littéralement, « les
données ouvertes »). Gartner14 définit l’Open Data comme « l’information ou le contenu
mis gratuitement à disposition pour l’utilisation et la redistribution, et soumis à la seule
exigence de l’attribuer à la source. Le terme peut aussi être utilisé plus généralement
pour décrire toutes les données qui sont partagées à l’extérieur de l’organisation et au-
delà de son utilisation initiale voulue, par exemple avec des partenaires commerciaux, des
clients ou des associations industrielles ».

Pour donner une idée du contexte, l’Open Data, en 2013, c’était plus de 40
pays avec des plateformes gouvernementales d’Open Data, plus de 90 000 bases de données
sur Data.gov (plateforme Open Data du gouvernement des Etats-Unis), 1,4 millions de vues
de page sur le site Open Data de Royaume-Uni, 102 villes qui ont participé à
l’International Open Data Hackathon Day15 ou encore plus d’un million de bases de données
rendues disponibles par les gouvernements au niveau mondial.

Selon McKinsey 16 , les bases de « données ouvertes » revêtent les caractéristiques

suivantes :

13
https://fr.wikipedia.org/wiki/Production_participative
14
Société américaine spécialisée dans le conseil et la recherche dans le domaine des techniques avancées.
15
https://www.meetup.com/fr-FR/Tahiti-Developpeurs/events/236799506/
16
cabinet de conseil.
 - L’accessibilité : un nombre très important d’utilisateurs sont autorisés à accéder
à l’Open Data.

- La lisibilité automatique : les données peuvent être traitées automatiquement.

- Le coût : l’accès à l’Open Data est gratuit ou se fait à un coût négligeable.

- Les droits : il existe très peu de limites quant à l’utilisation, la transformation

ou la distribution des données.

Ce sont les raisons pour lesquelles McKinsey qualifie l’Open Data d’« information
liquide ».

Par ailleurs, il est essentiel de ne pas confondre Big Data et Open Data. L’Open Data
est une source du Big Data mais l’entièreté de l’Open Data ne se trouve pas dans le Big Data,
comme illustré ci-dessous. L’infographie du McKinsey Global Institute montre que
l’Open Data constitue une grande partie du Big Data mais la majeure partie du Big
Data provient des autres sources de données, qui a priori ne sont pas « ouvertes » au grand
public.
 Figure 2 : Open Data constitue une grande partie du Big Data

Source17

4. Big Data en chiffres18

Le Big Dataata génère de nombreuses statistiques et prédictions à son sujet. Voici les dix
chiffres à retenir.

 90% des données créées dans le monde l’ont été durant les deux dernières
années (source
source IBM)
IBM .

 204 millions d’emails,

d’emails 1,8 million de Likes et 278 000 Tweet
Tweets sont générés
chaque minutes (Source
( : Qmee).

17
McKinsey Global Institute Analysis
18
http://digital-insurance.me/10-chiffres
chiffres-cles-du-big-data/
 40 000 recherches sont analysées par Google sur son moteur de recherche
chaque seconde, soit plus de 3,5 milliards par jour ! (Source : Google Search
Statistics).

 100 heures de vidéo sont en moyenne téléchargées sur YouTube chaque minute
(Source : YouTube).

 570 nouveaux sites web sont créés chaque jour (Source Muschroom Networks)

 51% des données sont structurées, 27% sont non structurées et 21% semi-
structurée. (Source: Tata Consultancy Services).

 4.4 millions de métiers liés au Big Data seront créés d’ici à 2015 (Source:
Gartner).

 + 81% de croissance entre 2012 et 2014 pour les données transférées via
mobiles, pour atteindre 1,5 million de gigabytes par mois. (Source : Cisco
Systems).

 54,3 milliards de dollars pour le marché du Big Data en 2017, contre 10.2
milliards de dollars en 2013 (Source : Mushroom Networks).

 30 milliards d’objets connectés en 2010 (Source : Gartner).

CHAPITRE II : LES APPORTS DU BIG
DATA AU MARKETING
Les technologies du Big Data constituent de nos jours un outil essentiel d’aide à la
décision pour l’entreprise, surtout le service marketing qui représente pour elle le moyen de
connaître et satisfaire les besoins des ses clients.

L’évolution croissante de données générées sur les différentes sources tels que le Web,
permet une analyse plus fine ciblée et personnalisée du comportement des consommateurs et
des stratégies de communication.

1. Le Big Data appliqué au service marketing

1.1. La relation entre le Big Data et le Marketing19

Depuis des années, les chercheurs dans le domaine de marketing utilisent les données
clients à leur disposions afin de les analysées, dont l’objectif d’augmenter le chiffre d’affaire
de la société, c’est-à-dire vendre plus avec la satisfaction des ces clients, pendant une longue
durée dans une logique de fidélisation. L’apparition récente du Big Data est venue accroitre
leur capacité d’analyse ainsi que leurs possibilités de réaction, voire d’anticipation des
comportements de leurs clients. De fait, à l’instar de l’étude de Gartner20, la plupart des études
estiment qu’entre 50% et 60% des projets Big Data sont liés à l’expérience client au sens
large.
Ainsi, en collectant des données sur les clients à travers les campagnes de
communication organisées par les sociétés, ou en achetant ses produits, souscrivent à ses
services, naviguent sur ses sites Web ou interagissent avec elle, une entreprise est à même de
mieux les connaître. Ce système d’analyse des données lui permet d’adapter son offre, sa
stratégie et ses outils de vente et de relation client, pour mieux satisfaire les besoins de ses
clients.

De nos jours, on parle même du marketing prédictif qui consiste à prévoir les
comportements des consommateurs d’une entreprise donnée. Cette action est possible grâce
au processus de collecte et d’analyse d’un gros volume de données, permettant alors une
prévision de l’action à venir. Par exemple, Amazon travaille à l’élaboration d’un logiciel
permettant de prédire la date des achats de ses clients, avant même qu’ils ne se rendent sur le
site pour passer commande, et ce dans l’optique de mettre en place un système de livraisons
groupées21.

19
http://www.telecoms-media-pouvoir.net/index.php/nos-analyses/big-data-quel-impact-sur-le-marketing-et-
la-relation-client/
20
http://www.gartner.com/newsroom/id/2593815
21
http://www.time2marketing.fr/faq-big-data
 1.2. Le rôle du Big Data à la prise de décision Marketing

L’explosion des données disponibles et le contexte concurrentiel accroit la tendance à

faire reposer les décisions marketing sur des données plutôt que sur de simples intuitions. La
mesure du retour sur investissement et les pratiques d’optimisation se multiplient. Les
pratiques d’automatisation se développent pour faciliter la personnalisation. Selon le
magazine « IT for Business N°2192 - Février 2015 » 22 le baromètre visant à mesurer la
perception du Big Data et la maturité des entreprises en France montre une forte évolution
entre 2012 et 2014. L’index de maturité a augmenté de 66 % et plus particulièrement 80 %
des équipes marketing interrogées se positionnent comme la première partie prenante d’une
initiative Big Data.23

Le Big Data sert à prendre des décisions marketing et commerciales, telles que :

 perfectionner et personnaliser l’historique client ;

 perfectionner et personnaliser l’offre de produits / services ;

 anticiper l’offre de produits/service grâce au Big Data prédictif ;

 perfectionner les campagnes marketing (personnaliser le contenu et le format au

comportement du client, voire les dates et heures de diffusion concernant une
publication sur les réseaux sociaux par exemple).

De ce qui précède nous concluons que le Big Data constitue aujourd’hui un vrai
changement dans les méthodes de travail des marketeurs qui ce basaient auparavant sur des
techniques traditionnelle tel que l’étude de marché, afin d’améliorer le processus de prise de
décision.

Actuellement, le Data Driven Marketing 24 , permet des prises de décisions et des

adaptations en temps réel.25

Pour bien illustrer le rôle du Big Data dans le domaine du marketing, nous allons
citer les résultats d’une étude menée en 2015 par 2nd Watch. Dans le cadre de cette étude
menée auprès de plus de 500 petites et moyennes entreprises américaines, 86% des entreprises
interrogées affirment qu’elles utilisent ou prévoient d’utiliser le Big Data pour renforcer leur
marketing. Par ailleurs, 75% de celles qui utilisent déjà le Big Data affirment que ces mesures
se sont avérées « assez efficaces » ou « extrêmement efficaces ». De plus, 83% comptent
étendre l’usage du Big Data à l’organisation de leurs campagnes publicitaires.

22
« Big Data index » baromètre EMC et IDC cité dans IT for business février 2015.
23
http://www.creg.ac-versailles.fr/Big-Data-et-Data-marketing
24
Consiste à structurer et analyser les données afin d'apporter un éclairage sur les comportements des
consommateurs et leurs attentes.
25
http://www.time2marketing.fr/utilite-big-data-entreprises
 Figure 3 : Big Data en Marketing Digital

35%

30%

25%

20%

15%

10%

5%

0%
Pour mieux comprendre la Pour améliorer leur chaîne Pour renforcer leurs
volonté de leur clientèle logistique campagnes publicitaires et
leurs opérations
promotionnelles

Source26

Selon la même étude, on dénombre trois principaux usages du Big Data au service du
marketing numérique. 29% des entreprises utilisent ces données volumineuses pour mieux
comprendre la volonté de leur clientèle. 18% s’en servent pour améliorer leur chaîne
logistique. Enfin, 16% y trouvent l’opportunité de renforcer leurs campagnes publicitaires et
leurs opérations promotionnelles.

2. Etude de cas « Amazon »

Il est clair que Amazon à fait un saut typique par son ouverture sur la voie du commerce
électronique. Mais probablement une de ses innovations les plus grandes était le « Système
Personnalisé de Recommandation » qui est basé sur les données de masse collectées à partir
des millions de transactions effectuées par ses clients.

Les psychologues parlent du pouvoir de suggestion, c’est-à-dire mettre devant quelqu'un

un produit qu’il pourrait aimer ce qui est susceptible de déclencher le désir d’achat chez le
sujet, indépendamment du fait que cet achat accomplira ou non un besoin réel.

C'est bien sûr de cette façon que l’achat d'impulsion a toujours marché. Mais au lieu
d'une approche dispersée, Amazon a démultiplié ses données clients et a aiguisé son système
de manière à le rendre plus précis. C’est au moins l’objectif visé par Amazon même s’il
semble qu’il n’est pas encore atteint complètement.
26
http://www.lebigdata.fr/marketing-big-data-outil-indispensable-campagne-a-succes
 De toute façon, les systèmes d’Amazon s'améliorent de plus en plus et il semble ce que
nous avons vu jusqu'ici est seulement le commencement.

Amazon a récemment obtenu un brevet sur un système conçu pour nous expédier des
marchandises avant que nous n'ayons même décidé de l'acheter. Ceci est un indicateur fort
que la crédibilité qu’ils accordent à analyse prédictive augmente.

Quand on parle d'Amazon, il faut prendre en considération le caractère plus commercial

de son Big Data comparé à ceux d'autres entreprises qui traitent des données à une échelle
comparable. Contrairement, par exemple, à Facebook qui pourrait savoir énormément
d’information sur le film que vous aimez vous-même ou vos amis, la grande majorité des
données d'Amazon sur nous concerne comment nous dépensons notre revenu.

Ayant mis au point la manière d’utiliser ces données pour obtenir plus d'argent de nos
poches, Amazon part maintenant sur une autre mission, celle d'aider d'autres sociétés à
l’échelle mondiale à faire la même chose, en leur vendant ces données en plus des outils pour
les analyser.

Cela signifie que, comme avec Google, nous avons commencé à voir des annonces
conduites par la plate-forme d'Amazon et basées sur ses données apparaissant sur d'autres
sites au cours des dernières années. Comme noté par MIT TechnologyReview 27 l'année
dernière, ceci fait de l'entreprise maintenant un concurrent de front à Google avec les deux
géants en ligne se battant pour un morceau des budgets des marketeurs.

Cependant, les ventes d'annonces ne sont pas le seul domaine où Amazon se mesure à
Google, les services web d’Amazon (AWS) offrent des calcules basés sur les clouds et une
analyse des données de masse.

Ceci permet aux entreprises qui doivent exécuter des procédures fortement intensives
d’économiser le temps de calcul et d’analyse au lieu de ce focalisé sur l'installation de leurs
propres centres de traitement et d’analyse de données comme BigQuery de Google.

Ces services incluent le service d’entrepôt de données (Amazon Redshift), la solution

Hadoop hébergée (ElasticMapReduce) et S3 (le service de base de données qu’elle utilise
pour gérer ses propres opérations physiques d’entrepôt de données et son service d’archives
Glacier). Récemment, cette liste s’est élargie avec l’apparition de Kinesis. Il s’agit d’un
service de traitement de flux en temps réel conçu pour aider à l’analyse des flux de données
de grand volume.

Amazon a aussi incorporé l’analyse du Big Data dans les opérations de son service
client. Son achat du détaillant de chaussures Zappos est souvent cité comme un élément clé à
ce propos. En effet, depuis la fondation de Zappos, son service client avait gagné une
réputation fabuleuse et s’était souvent maintenu comme un leader mondial à cet égard. Ceci
était principalement dû à ses systèmes sophistiqués de gestion de la relation clients qui

27
MIT Technology Review est un magazine américain publié par Technology Review.
 utilisaient largement les données de ses propres clients. Ces procédures ont été fusionnées
avec celles d’Amazon suite à son acquisition de Zappos en 2009.

Enfin, il convient de mentionner qu’à travers Amazon Web Services (AWS), Amazon
héberge et permet l’analyse d’ensembles de données publics. Amazon héberge, entre autres,
des données déterrées par le projet génome humain, des ensembles de données des sciences
de la terre de la NASA ou encore des données du recensement des États-Unis. Ces données
sont mises à la disposition du grand public et peuvent être consultées gratuitement.

Conçue à sa création pour être une librairie en ligne, Amazon s’est grandement étendue
grâce, en grande partie, à son adoption enthousiaste des principes du Big Data. A présent, il
semble établi qu’elle continuera à gagner du terrain dans les quelques années à venir.

Figure 4 : Chiffre d'Affaires Annuel (CA) D’Amazon

2013 2014 2015 2016 2017

Revenu 1er Trimestre 15 253 047 18 737 424 21 562 132 27 647 214 33 898 400

Revenu 2ème Trimestre 14 905 653 18 356 808 22 005 390 28 858 346 -

Revenu 3ème Trimestre 16 223 091 19 531 872 24 068 870 31 050 912 -

Revenu 4ème Trimestre 24 286 230 27 837 996 33 929 724 41 517 332 -

Revenu Annuel 70 668 021 84 464 100 101 566 116 129 073 804 -

Source : Europafinance by Cofisem28

28
http://www.europafinance.com/
 Figure 5 : Evolution du Chiffre d’Affaire Annuel d’Amazon

Source : Europafinance by Cofisem

3. Les enjeux du Big Data

Le Big Data semble
mble aujourd’hui incontournable;
incontourna c’est la nouvelle réalité de l’économie
numérique, le nouveau territoire de développement et de création de valeur pour les sociétés.
Les opportunités semblent infinies donc il faut s’approprier les données pour mieux les
comprendre et les apprivoiser afin de se préparer au futur vers lequel elle
elles semblent nous
mener. Donc quelles
uelles sont aujourd’hui les grands enjeux du
du Big Data pour les entreprises
entreprises?

3.1. Assurer la qualité des informations

Pour se lancer dans l’aventure du Big Data, il faut savoir comment identifier et «
nettoyer » les données avec lesquelles nous souhaitons travailler et en tirer profit. Si la
connaissance des clients passe avant tout par l’analyse des informations les concernant, il faut
que les données soient de bonne qualité. En effet, la qualité des données doit être une priorité
pour ne pas fausser les stratégies découlant de leur traitement. Un système d’audit de la
qualité des données doit donc être mis en place afin de rectifier les éventuelles erreurs
humaines survenues. Dans ce contexte, un audit de la qualité des données devrait être la
première action de tout projet du Big Data. Pour pallier ce problème, des outils de correction
automatique permettent de s’assurer de la pertinence de chaque donnée collectée.

3.2. Optimiser le traitement des données

Pour la plupart des experts, le traitement des données est l’un des enjeux les plus
importants du Big Data. En fait, les informations arrivent en masse et se présentent sous
différents formats (image, vidéos, audios, texte …etc). L’entreprise doit nécessairement
investir dans des outils de gestion et de traitement pour assurer la transformation les données
recueillies en informations déchiffrables. Ces solutions de gestion doivent aussi permettre
d’analyser les data en temps réel (pour améliorer la qualité de la prise de décision).
L’entreprise doit donc intégrer à son équipe des experts en traitement de données tels que [le
data analyst et le data scientist]29.

3.3. Relier tous les métiers

Le Big Data nécessite la réunion d’un ensemble de différents professionnels dans le but
d’atteindre des objectifs précis. Ainsi, selon les spécificités de la population visée, le
spécialiste du marketing devrait travailler de près avec un statisticien pour avoir une idée
précise des actions à mener. Le Big Data concerne tous les métiers au sein de la société et les
données analysées devraient profiter à tous. Donc on doit nécessairement structurer les
données en suivant une modélisation des processus métiers.

3.4. Garantir la sécurité

Les informations précieuses aux entreprises pour définir leurs stratégies ont pour la
plupart un caractère privé. Elles touchent à la relation de confiance liant la société à ses clients
du fait qu’elles découlent en majorité des comptes utilisateurs. En conséquence, leur sécurité
a une importance particulière, car elle engage la responsabilité et la réputation de l’entreprise.

29
Hauts responsables de la gestion et de l’analyse de « données massives » (Big data).
 3.5. Humaniser les données

L’entreprise doit toujours garder à l’esprit le côté humain des données collectées. Quoi
qu'il en soit, l’intérêt du Big Data est de positionner les clients au centre de la démarche de
prise de décision. Mieux informés, les clients exigent de meilleurs services et des offres
personnalisées coïncidant avec leurs besoins réels.
Conclusion

L’utilisation des données n’est pas un phénomène nouveau, comme nous avons illustré
tout au long de ce travail, en fait les méthodes traditionnelles de collecte et d’analyse de
données ne sont plus adaptées à l’évolution des besoins des sociétés. C’est dans ce contexte
que les technologies Big Data se présentent en tant qu’alternative pour répondre à ce besoin
croissant dans les différents services des entreprises et précisément le service marketing.

Cette nouvelle technologie permet la collecte d’un volume considérable de données à

partir de différentes sources, que ce soit des sources dirigées, automatisées ou encore
volontaires, d’une manière très rapide afin de les analyser et faire sortir les informations
exploitables qui peuvent satisfaire le besoin réel d’un client au même le prévoir.

Cependant, le Big Data a des limites que nous avons expliquées sous forme des enjeux
qui sont la sécurité et la fiabilité de l’information ainsi que l’optimisation du processus de
traitement des données surtout que les données collectées sont des différentes formes (vidéos,
audios, texte …etc).

Enfin, tant que le besoin des consommateurs change d’une manière continue les
technologies Big Data doivent s’adapter a cette évolution pour ne pas être dépassé comme les
méthodes traditionnelles. Il faut donc toujours chercher des nouvelles méthodes pour gérer les
données de les rendre exploitables.
Liste des figures

Figure 1 : Les 3V du Big Data ................................................................................................. 9

Figure 2 : Open Data constitue une grande partie du Big Data ................................. 15

Figure 3 : Big Data en Marketing Digital ............................................................................ 19

Figure 3 : Chiffre d'Affaires (CA) D’Amazon ..................................................................... 21

Figure 4 : Evolution du Chiffre d’Affaire d’Amazon ......................................................... 22

Liste des abréviations

Abréviation Signification

PWC Price Water House Coopers

ACM Association for Computing Machinery

GRC Gestion de la Relation Client

GPS Global Positioning System

RFID Radio Fréquence Identification

NASA National Aeronautics and Space Administration

AWS Amazon Web Services

IBM International Business Machines Corporation

Bibliographie
Le magazine Cloud & Big Data (2017). Disponible sur : < http://www.lebigdata.fr/>
(Consulté le 11/05/2017)

IT Skills In Demand (2017). Master Big Data and Hadoop Step-By-Step from Scratch.
Disponible sur : <https://www.skillshare.com/classes/Master-Big-Data-and-Hadoop-Step-By-
Step-from-Scratch/323940396?via=search-layout-grid> (Consulté le 01/07/2017)

Le média de la transformation digitale (2016). Dix chiffres clés du Big Data. Disponible
sur : <http://digital-insurance.me/10-chiffres-cles-du-big-data/> (Consulté le 05/07/2017)

Time2marketing (2016). Comment faire du marketing prédictif grâce au Big Data ?

Disponible sur : < http://www.time2marketing.fr/faq-big-data > (Consulté le 07/07/2017)

Big Data et Data marketing (2017). Disponible sur : <http://digital-insurance.me/10-

chiffres-cles-du-big-data/> (Consulté le 06/07/2017)

Big Data - Les nouveaux devins – Documentaire (2015). Disponible sur :

<https://www.youtube.com/watch?v=5mmQeb8mXVk&list=PLBWB3HVPhFrMx0o5hOYX
QTO_eeIBuWdog> (Consulté le 03/06/2017)

Le magazine Cloud & Big Data (2017). Le Big Data et le marketing numérique
Disponible sur : < http://www.lebigdata.fr/marketing-big-data-outil-indispensable-campagne-
a-succes/> (Consulté le 11/05/2017)

Le Big Data appliqué au service marketing (2016). Le Big Data et le marketing

numérique Disponible sur : < http://www.time2marketing.fr/utilite-big-data-entreprises/>
(Consulté le 05/07/2017)

Big Data : quel impact sur le marketing et la relation client ? (2015). Le Big Data et le
marketing numérique. Disponible sur : < http://www.telecoms-media-
pouvoir.net/index.php/nos-analyses/big-data-quel-impact-sur-le-marketing-et-la-relation-
client/> (Consulté le 07/07/2017)