Le Small Data est souvent plus instructif que le Big Data Ne vous contentez pas d’accumuler des données
L’analyse de mégadonnées fournit une grande quantité d’informations utiles. Faire aveuglément confiance à ces données peut cependant conduire dans la mauvaise direction. Il est donc utile de corroborer les hypothèses tirées des petites données comme des observations réelles. Demandez l’avis de vos clients, rendez-leur visite à leur domicile, observez-les au magasin et découvrez ainsi leurs vrais besoins.
Les mégadonnées et l’intelligence artificielle donnent un premier aperçu
Les sources de mégadonnées sont multiples: études de marché, bases de données CRM, réseaux sociaux, les signaux sociaux comme les mentions «J’aime» sur Facebook, les données d’enregistrement de réseaux locaux, les forums de discussion, les blogs, les enregistrements des centres d’appels, les évaluations de produits, les photos, les analyses de l’expérience client. Il est de plus en plus important de savoir interpréter et associer ces quantités énormes de données. Les systèmes informatiques cognitifs comme «Watson» d’IBM sont utiles dans ce cas, puisqu’ils permettent d’interpréter les données de diverses sources en temps réel. Il est ainsi possible d’identifier des tendances en temps opportun, de prendre des décisions fondées, d’établir de nouvelles corrélations et de générer de nouvelles idées.Google utilise depuis peu aussi l’intelligence artificielle pour mieux comprendre les requêtes. Mais avec quelle précision est-ce que les mégadonnées reproduisent-elles les besoins réels des individus?
Les petites données fournissent des informations plus approfondies
Les possibilités techniques fascinent et poussent à se concentrer sur les données et non sur les personnes. Le célèbre auteur et conférencier d’honneur Martin Lindstrom obtient cependant les principales informations pour le développement de produits et d’idées commerciales plus de l’observation des utilisateurs que de la collecte de données. Ainsi, il peut découvrir les besoins, motivations et souhaits dont les personnes observées n’ont elles-mêmes pas conscience. La combinaison et l’analyse de ses observations donnent lieu à des produits qui s’adressent aux besoins humains les plus profonds.
Observer en dit plus qu’interroger
Les résultats d’observations sont par ailleurs plus révélateurs que ceux des enquêtes de satisfaction de la clientèle, car les réponses sont toujours rationnelles et reflètent donc rarement les vraies motivations. Les habitudes d’achat en sont un exemple typique . Nous décidons de manière intuitive et essayons ensuite de faire valider notre décision par notre conscience. Et pourtant, nous ne savons nous-mêmes souvent pas pourquoi nous avons choisi tel ou tel produit. C’était peut-être pour satisfaire le besoin d’individualité; la marque nous procure peut-être le sentiment d’appartenance; une offre de remise a peut-être tellement éveillé notre désir de récompense que nous n’avons pas pu y résister. La méthode d’analyse basée sur l’oculométrie tient aussi compte de notre réaction réelle et parfois inconsciente face aux messages publicitaires ou à un site Internet. Nos yeux procèdent sans cesse à un scannage inconscient. Ce processus est commandé biologiquement et répond à certaines lois extériorisées par l’oculométrie.
Remettre en question et analyser
Martin Lindstrom recommande d’établir des hypothèses sur les besoins réels des individus et d’essayer ensuite de les corroborer par des observations et des entretiens sans engagement avec les utilisateurs. Même les plus petites mentions de vices ou de déséquilibre comptent. L’important est d’observer les choses de tous les jours, que justement nous ne percevons plus à cause de leur quotidienneté. Il est par exemple intéressant de savoir quelles sont les marques que l’utilisateur apprécie. Les préférences de marques en disent long sur les valeurs de l’utilisateur, sur sa personnalité et ses aspirations. Il convient ensuite d’établir des liens entre les différents résultats d’observation. Une analyse approfondie de la manière dont on pourrait satisfaire les besoins des personnes interrogées est également révélatrice.
Often it’s the smallest clues that create the biggest brand turnarounds in History
Martin Lindstrom
Extrait de la méthode du design thinking
Les design thinkers essaient eux aussi d’identifier les besoins des individus par l’observation. L’approche du design thinking est «human centered», c’est-à-dire orientée sur l’individu et est utilisée depuis toujours par les designers pour développer de nouveaux produits. A cet effet, l’équipe procède à une analyse approfondie et sans préjugés du groupe cible et essaie d’identifier les besoins des clients et utilisateurs par rapport à une tâche concrète dans des situations réelles sur place. Les observations en particulier permettent également de détecter des besoins dont l’utilisateur n’est absolument pas conscient et qu’il ne peut donc pas exprimer. Les design thinkers s’immergent eux-mêmes dans la situation d’utilisation, s’entretiennent aussi avec des individus en dehors du groupe cible, conduisent des interviews d’experts et analysent des situations problématiques similaires avec leurs solutions. Ils vont à l’extérieur, se plongent dans le quotidien des individus et collectent toutes les informations y associées.
Conclusion
Les indications et informations obtenues à travers les mégadonnées constituent une base décisionnelle importante pour les décisions stratégiques et peuvent renforcer la relation client grâce à une interaction orientée sur les besoins et la rendre ainsi plus rentable. Cependant, lorsqu’il s’agit de développer de nouveaux produits ou de nouvelles idées commerciales, les petites données – donc les nombreuses petites incursions dans les habitudes de consommation des individus – deviennent incontournables, puisqu’elles ont le potentiel de révolutionner toute une entreprise. Ou comme Martin Lindstrom l’exprime: «Je recherche dans les petites données les indices que les concurrents ne remarquent souvent pas. Non seulement parce que ces indices sont très subtils, mais aussi parce que les concurrents sont plus occupés à accumuler des montagnes de données et établir des corrélations, passant alors à côté de la causalité».
«Small Data – Was Kunden wirklich wollen – wie man aus winzigen Hinweisen geniale Schlüsse zieht» de Martin Lindstrom, 319 pages.