Le small data, plus instructif que le big data Les avantages des petites quantités de données ciblées
Plus il y a de données, mieux c’est? Pas nécessairement. Si le big data fournit certes des informations précieuses, celles-ci racontent rarement toute l’histoire. Pour vraiment comprendre la clientèle, il faut également prendre en compte les petits détails révélateurs – ce qui motive la personne à agir d’une certaine façon. Le small data est là pour ça.
Les données sont devenues une ressource essentielle dans le marketing. Cependant, de plus en plus d’entreprises se rendent compte qu’il n’est pas forcément nécessaire d’accumuler des données pour produire une publicité efficace, d’autant plus que la clientèle n’apprécie guère que ses données soient stockées. Les entreprises doivent identifier les données dont elles ont réellement besoin et leur finalité. C’est là que le small data entre en jeu.
Qu’est-ce que le small data?
Le small data consiste en la collecte consciente et ciblée d’informations. Cette approche analytique, qui se base sur la qualité, vise à se limiter aux données qui sont nécessaires à la compréhension du groupe cible et qui peuvent être facilement recueillies, évaluées et interprétées.
Contrairement au big data, ce n’est pas la quantité mais la pertinence des données qui compte: le small data se concentre sur des informations spécifiques et contextuelles qui contribuent directement à résoudre un problème ou à mieux cerner les besoins d’une cliente ou d’une client.
Le small data fournit des informations approfondies
Les possibilités techniques du big data fascinent, mais elles poussent à se focaliser sur les chiffres et non sur les personnes. Dans son ouvrage «Small Data: The Tiny Clues That Uncover Huge Trends», l’expert en marques et auteur de best-sellers Martin Lindstrom pointe précisément cette erreur. Il en conclut que les réponses fondamentales se trouvent souvent dans les petits détails du quotidien – dans les rituels, les habitudes et les geste du groupe cible.
Ces indices en apparence insignifiants révèlent des besoins, des motivations et des modèles de comportement plus profonds, rarement visibles dans les enregistrements volumineux. Le small data est donc idéal pour améliorer les produits, les processus et les expériences clients.
Le big data s’applique à utiliser de grandes quantités de données provenant de diverses sources. Les modèles d’IA sophistiqués et les algorithmes d’apprentissage automatique offrent aujourd’hui de nouvelles possibilités pour traiter et regrouper ces données structurées et non structurées. Ils analysent en temps réel d’énormes flux de données, identifient des modèles et apprennent en continu. Cela permet de repérer rapidement les tendances et les corrélations et de prendre des décisions plus éclairées. Les systèmes d’IA combinent données quantitatives et informations contextuelles – issues notamment du langage, des images ou des textes – et fournissent une représentation toujours plus précise des marchés, des groupes cibles et de leur comportement. Mais une question demeure: dans quelle mesure le big data reflète-t-il avec précision les besoins réels des personnes? Ces incertitudes peuvent être atténuées en combinant les différentes approches du big data et du small data.
Identifier les motivations profondes
Dans son ouvrage, Martin Lindstrom recommande de formuler des hypothèses sur les besoins réels des personnes puis de les corroborer par des observations et des échanges informels avec les utilisatrices et les utilisateurs.
À partir des impressions recueillies, des modèles sont identifiés et des corrélations établies. Les comportements ou les propos récurrents révèlent des motivations profondes, telles que le désir de sécurité, de reconnaissance ou de contrôle. Ces informations permettent de mieux répondre aux besoins et d’améliorer l’expérience client.
À l’instar des professionnels du small data, les Design Thinkers tentent eux aussi de percer les besoins des personnes à travers des observations. 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.
Mais le Design Thinking trouve aussi son utilité dans le marketing. En abordant le groupe cible de manière exhaustive et impartiale, le Design Thinking cherche à saisir et à comprendre les besoins des consommatrices et des consommateurs dans des situations réelles, sur le terrain. Une observation attentive permet même de déceler des besoins dont les clientes et les clients n’ont pas conscience et qu’ils ne peuvent donc pas exprimer. Les Design Thinkers s’entretiennent également avec des individus extérieurs au groupe cible, conduisent des interviews avec des spécialistes et étudient des situations problématiques similaires ainsi que leurs solutions.
Observer en dit souvent plus qu’interroger
Un instrument important de l’approche small data est donc l’observation. Cette pratique renseigne souvent beaucoup plus que certaines méthodes qualitatives comme les entretiens avec la clientèle. En effet, les réponses personnelles sont rationnelles et influencées par les attentes sociales. Elles reflètent rarement les véritables motivations.
Cela se vérifie, entre autres, dans le comportement d’achat. Les consommatrices et les consommateurs se fient généralement à leur intuition, puis tentent de justifier leurs choix de manière rationnelle. Souvent, ils ignorent eux-mêmes pourquoi ils ont opté pour un produit en particulier.
Pour mieux comprendre ces réactions inconscientes, diverses méthodes d’observation existent. En voici trois exemples:
- Eye Tracking: cette méthode permet de suivre où le regard des personnes se porte en premier et le plus longtemps sur un site web, dans un publipostage adressé ou dans un magasin physique. Elle met en évidence les éléments qui captent réellement l’attention.
- Facial Coding: cette méthode a recours à des caméras, à des logiciels spécialisés et parfois à l’IA pour analyser les mouvements subtils du visage. Elle permet ainsi de capturer des réactions non verbales authentiques telles que la joie, la surprise ou le rejet.
- Analyse comportementale: cette méthode évalue les actions et réactions réelles des consommatrices et des consommateurs dans un contexte précis: comment ils choisissent des produits en rayon, comment ils naviguent dans une boutique en ligne ou comment ils réagissent à certains stimuli. Les outils techniques utilisés dans le cadre de l’analyse comportementale comprennent des caméras, des capteurs biométriques et des logiciels de suivi.
Trois cas d’application small data
Le small data est également un outil précieux pour optimiser l’efficacité des campagnes cross-média sur l’ensemble des canaux physiques et numériques. Trois possibilités d’application typiques illustrent comment y parvenir:
- Affiner les messages: le small data permet d’identifier les motivations qui se cachent derrière les actions du groupe cible. Cela contribue à formuler des messages pertinents et à les harmoniser entre les canaux.
- Imbriquer les points de contact: les observations et autres méthodes qualitatives fournissent des indications sur la manière dont le groupe cible interagit réellement avec les différents canaux physiques et numériques. On peut ainsi identifier le rôle joué par chaque canal dans le mix de la communication et déterminer comment les imbriquer de manière optimale.
- Améliorer l’expérience client: les retours issus des interactions clients et des médias sociaux constituent une source d’information précieuse pour le small data. Ils montrent comment la communication cross-média est perçue et comment l’améliorer.
Martin Lindstrom: Small Data. The Tiny Clues That Uncover Huge Trends. (en anglais) Éditions St. Martin’s Publishing Group
