Le ‘data warehouse’: l’analytique jusqu’au consommateur

Pour construire des solutions analytiques basées sur les fondations de son ‘data warehouse’, Teradata adopte une stratégie nouvelle: la prise de décision ne repose plus uniquement sur des modèles industriels de données, mais sur

une approche par rôle. Teradata a choisi de partir des données collectées sur les ERP (SAP, Oracle, IBM, Legacy, Siebel, etc.) et des données de ventes, Teradata consolide et traite les données à travers ses solutions de ‘data warehouse’ (Demand Chain Management, Supply Chain Management, e-Business Management, Financial Management, Profitability Analytics, Customer Management). Au-delà de cette démarche initiale indispensable, l’éditeur se dote d’une couche de solutions de BPM (Business performance management). Elle supervise les actions de l’entreprise : stratégies, prévisions, planification, budgétisation, production, mesures des processus, finances, productivité des employés, gouvernance, contrôle, services, reporting, améliorations. Partant des données et de l’information consolidées, passées dans la moulinette de la connaissance et de l’expertise, la génération de revenus passe par une série de processus : le marché et les actifs permettent de définir des objectifs financiers. C’est l’approche directoriale. Mais si l’on intègre la nouvelle stratégie du ‘data warehouse’ visant à adopter une approche marketing (lire nos articles Teradata), le cycle des processus évoqué ci-dessus se dote d’étapes supplémentaires: -des objectifs de revenus par produit, -la détermination de stratégies, -l’implémentation d’un plan tactique, -la capture des résultats, -l’analyse des tendances. Une chaîne de processus cyclique, donc, où la dernière étape d’analyse permet de modifier la stratégie, et on l’on reboucle? C’est à partir de là que les rôlesinterviennent. Dans un modèle de chaîne de valeur, le moteur de revenus du ‘data warehouse’ aboutira à la segmentation des clients. Mais dans un modèle financier, la chaîne de valeur aboutira à l’Ebitda, la mesure de la profitabilité de l’entreprise.Or, dans les deux cas, l’objectif est le même : le ‘data warehouse’ d’entreprise impacte la progression et la rétention des revenus. Mais la démarche par rôle ne s’arrête pas là. Elle va accompagner l’optimisation de la communication, par exemple. On optimise la sélection des clients et l’offre afin d’optimiser le contact avec le client, et donc le réseau. De quoi différentier l’expérience du consommateur. Cette approche implique une progression dans la qualification et l’exploitation des données associées au consommateur. On part de la masse, que l’on ‘customise’ à partir d’éléments communs de base, afin de cibler les campagnes et la publicité. Puis on identifie des corrélations multicanaux afin de synchroniser des campagnes transversales avec une communication personnalisée. Mais l’objectif final est bien d’arriver à une personnalisation totalement individuelle, optimisée sur l’expérience du consommateur. On aboutit alors à une réduction sensible des temps d’intervention et de traitement, avec des opérations personnalisées, pertinentes et significatives. Voilà d’ailleurs ce qui qualifie l’approche du Data Warehouse d’entreprise intégré selon Teradata : l’importance, qui requiert d’analyser en profondeur le comportement du client, la pertinence, qui requiert une vue complète du client, et le temps, pour disposer en permanence de données actualisées pour une prise de décision immédiate ou anticipée. Concrètement, sur le terrain, cette nouvelle approche ‘pro marketing’ signifie une segmentation de plus en plus fine, pour mener de plus en plus de campagnes. Terradata évoque le passage chez certains de ses clients d’un rythme de quelques campagnes mensuelles qui visaient la masse, à des centaines de campagnes quotidiennes et simultanées. Pour y parvenir, les outils statistiques ne suffisent plus. D’où l’étape supérieure: le décisionnel; il s’impose désormais au ‘data warehouse’.