Alors que les entreprises se tournent vers de nouvelles méthodes pour découvrir des informations sur les consommateurs, certaines passent à côté d'une étape essentielle du processus : la contextualisation des données. Comprendre le "pourquoi" - et pas seulement le "quoi" - est essentiel pour obtenir des informations exploitables qui peuvent conduire à des décisions commerciales intelligentes.
Le contexte n'était pas un problème lorsque les organisations s'appuyaient principalement sur des groupes de discussion et des enquêtes en personne pour leurs études de marché. Si une réponse n'était pas claire, l'enquêteur avait la possibilité d'approfondir. Le groupe de répondants était contrôlé. Et les questions, qui pouvaient être très spécifiques, étaient posées à des êtres humains par d'autres êtres humains ; par conséquent, les nuances comme le sarcasme étaient facilement comprises.
Les groupes de discussion et les enquêtes en personne présentent toutefois des inconvénients majeurs. L'approche n'est pas extensible et les données vieillissent rapidement. L'honnêteté est également un problème ; en raison du lien humain, il peut être difficile pour certaines personnes interrogées de donner un retour d'information négatif. Mais le plus gros inconvénient est que les non-clients sont exclus des groupes de discussion et des entretiens. Si vous ne savez pas ce que pense votre marché potentiel, comment pouvez-vous vous adapter à de nouveaux besoins et désirs ou élargir votre clientèle ?
La migration vers des outils d'écoute sociale pour des données contextualisées
Les entreprises disposent désormais de moyens efficaces pour accéder aux données d'une base de consommateurs plus large. Les outils d'écoute sociale, en particulier, ont connu un essor considérable ; selon eMarketer, 50 % des spécialistes du marketing dans le monde ont utilisé ces outils au cours de l'année écoulée. Mais si les outils d'écoute sociale résolvent certains des problèmes courants des études de marché - ils sont évolutifs, les données sont constamment mises à jour et les gens disent généralement exactement ce qu'ils pensent, en bien ou en mal, en ligne - ils posent également de nouveaux défis. Tout d'abord, il y a énormément de données et il peut être difficile de distinguer ce qui est pertinent de ce qui n'est que du bruit.
Le "bruit" est tout ce qui semble lié à votre produit ou à votre marque mais qui, en y regardant de plus près, ne l'est pas vraiment. Supposons que vous dirigiez une entreprise de soins de la peau spécialisée dans les masques de luxe. Si vous recherchez sur les médias sociaux les avis des clients sur les masques à tout moment depuis le début de l'année 2020, vous obtiendrez probablement un énorme volume de données, mais pas sur les masques qui vous intéressent vraiment.
Sans moyen de faire la distinction entre les deux types de masques - ceux qui fournissent des formules de soins de la peau et ceux qui filtrent les virus - l'écosystème à partir duquel vous obtenez des informations serait fondamentalement erroné. C'est pourquoi il est si important de s'assurer que les informations que vous analysez sont des données pertinentes et contextualisées ; tout ce que vous construisez à partir de ces données ne serait pas digne de confiance, rempli de données de mauvaise qualité et complètement dépourvu de contexte pertinent.
Les sentiments sont également essentiels pour développer le contexte, et les outils d'écoute sociale souffrent généralement d'un manque d'analyse robuste des sentiments. Avec de nombreux outils, vous pouvez voir le flux et le reflux des conversations autour de votre marque de soins de la peau ou de votre produit phare de masque facial, mais vous ne pouvez pas dire si ces conversations sont positives, négatives ou neutres. Il n'est tout simplement pas facile pour la technologie d'analyser les nuances grammaticales, le sarcasme, l'exagération ou la merveilleuse capacité des humains à utiliser et à comprendre des mots en opposition totale avec les définitions du dictionnaire. (Imaginez cette critique : "Ce masque facial est tellement mortel que je suis littéralement mort après l'avoir utilisé". Comment un algorithme le classerait-il ?) Ajoutez à cela une incapacité à plonger profondément dans les détails de ces conversations d'une manière évolutive et complète, et vous obtenez un outil qui peut vous donner, au mieux, une précision de 70 % sur ce qui se passe, ce qui pourrait donner une image totalement inexacte. Pire encore, ces outils ne peuvent pas expliquer le pourquoi des données, alors que ce pourquoi est essentiel pour établir le contexte.
Utiliser des données contextualisées pour obtenir des informations exploitables
Les outils d'écoute sociale ne vont pas assez loin, mais l'augmentation des données qu'ils contiennent avec d'autres sources de données et technologies peut fournir le contexte et les informations que les organisations recherchent vraiment. Voici comment la solution de la Skaiy parvient :
Connecter les données avec un filtrage puissant
Nous nous appuyons sur des données connectées provenant de plus de 13 000 sources - non seulement les médias sociaux, mais aussi les revues de produits, les dépôts de brevets, les ordres du jour des conférences, les actualités, les documents de recherche, les données de vente, les blogs et bien d'autres choses encore - pour nous assurer d'avoir le plus grand nombre de perspectives possible. Des requêtes avancées avec des règles d'inclusion de mots-clés nous permettent d'identifier uniquement les points de données qui ont vraiment leur place dans un écosystème donné ; pour notre marque de soins de luxe, cela signifierait éliminer tous les points de données concernant le COVID-19 ou la protection contre les virus.
Gouvernance constante de l'IA pour contextualiser correctement les données.
La surveillance robuste des algorithmes, ainsi que l'échantillonnage et l'examen manuels des données, nous permettent de détecter les anomalies avant qu'elles ne faussent notre contexte. Par exemple, si un grand détaillant en ligne propose environ 10 000 masques pour le visage et que ce nombre passe soudainement à 50 000, ce n'est probablement pas parce que nos concurrents ont soudainement inondé le marché de nouveaux produits de soins de la peau ; notre algorithme a probablement commencé à repérer le mauvais type de masque pour le visage, et nous trouverons et corrigerons cette erreur immédiatement.
Établir un contexte pertinent
Grâce à l'échantillonnage des données et à notre technologie brevetée, qui comprend un moteur de traitement du langage naturel (NLP) piloté par l'IA, nous obtenons une pertinence de plus de 95 %. Nous pouvons contextualiser les données jusqu'au niveau de l'attribut - par caractéristique, ingrédient, avantage, saveur, matériau, etc. - afin de générer des informations et des prédictions pertinentes pour un marché ou une catégorie spécifique.
Une étude de cas sur l'importance du contexte
Voici un exemple concret de la manière dont Skai a pu fournir à un client des données contextualisées qui l'ont guidé vers de meilleures décisions commerciales.
Une marque bien établie de vitamines, de minéraux et de compléments alimentaires s'est trouvée dépassée par ses concurrents en matière d'innovation de produits et a cherché un moyen de devancer les tendances pour se rétablir en tant que leader du marché.
La plateforme analytique interne de la marque a combiné les tendances des ventes sur Amazon et les données des points de vente pour suivre la baisse des ventes de gommes au vinaigre de cidre de pomme. Parallèlement, les données de Skai indiquaient une tendance à la hausse des discussions des consommateurs sur cette catégorie de produits.
Sans contexte, les décideurs de la marque auraient pu faire une supposition logique, mais erronée : le buzz sur les médias sociaux est entièrement négatif, ce qui explique la chute des ventes.
Les données de Skai ont permis de créer le contexte nécessaire. Comme nous pouvons relier ces conversations à des attributs au niveau de la catégorie, nous avons pu déterminer que les conversations étaient en fait très positives et axées sur un avantage spécifique : la santé immunitaire. Lorsque la pandémie a frappé, les discussions des consommateurs sur la santé immunitaire ont augmenté, tout comme le sentiment positif des consommateurs à l'égard du vinaigre de cidre de pomme, dont on suppose qu'il a des effets bénéfiques sur la santé immunitaire. L'organisation avait accès à des "scores de sensibilisation" concernant les avantages et les caractéristiques des allégations, sur lesquels elle pouvait capitaliser si elle décidait de lancer son propre chewing-gum au vinaigre de cidre de pomme. Sans ces données contextualisées, la marque serait passée à côté d'une nouvelle tendance.
Nous avons constaté que le fait de passer de l'écoute sociale seule à l'utilisation d'un ensemble de données externes entièrement connectées et contextualisées peut doubler le taux de précision de l'analyse prédictive. Les données ne deviennent des informations que lorsqu'elles sont placées dans le bon contexte, et ces informations sont cruciales pour prendre des décisions plus efficaces et plus percutantes qui favorisent l'innovation et l'amélioration des résultats de l'entreprise.
Selon une étude de Deloitte, les organisations qui exploitent les données dans leurs processus de prise de décision ont deux fois plus de chances de dépasser leurs objectifs commerciaux. Le contexte est essentiel pour rester compétitif.
-------------
*Cetarticle de blog a été publié à l'origine sur Signals-Analytics.com. Kenshoo a acquis Signals-Analytics en décembre 2020. Lire le communiqué de presse.
Plus de détails
