LES OUTILS D'ANALYSE
Le retour sur investissement numérique est généralement mesuré par les entreprises à l'aide des indicateurs macroscopiques des approches classiques : ventes, génération de leads, notoriété de la marque, réduction des coûts, recettes publicitaires.
Bien qu'efficace, cette approche peut avoir ses limites, tant en terme d'horizon temporel (court terme) qu'en terme de cartographie de l'activité numérique, étant donné la fragmentation de l'expérience du consommateur aujourd'hui et son interaction constante, voire discontinue, avec une énorme variété de canaux commerciaux.
C'est comme si cette approche permettait de réaliser une photo de portrait, alors qu'aujourd'hui on travaille avec des photos grand angle.
Aujourd'hui, les moments d'interaction avec les clients sont innombrables, ce qui fournit également une multitude de sources de données pour l'entreprise. Ces données peuvent désormais être mesurées avec précision pour enrichir le jeu de données de l'entreprise qui, dans certaines circonstances et grâce à l'utilisation de certaines technologies transverses, peut désormais être appelé Big Data.
Les chaînes de magasins ont aujourd'hui la possibilité de mesurer leurs systèmes de point de vente (POS Measurement Protocol) pour collecter des données sur les ventes en plus des données du commerce électronique combinées aux données collectées en magasin (totems numériques, balises Bluetooth, etc.). Cette base de données élargie permet d'avoir la vue d'ensemble mentionnée ci-dessus.
Grâce à l'IoT (Internet of Things), une grande variété d'objets peuvent désormais être conçus pour être "compatibles avec les données", avec des applications allant de la télémédecine à la domotique et de la mode à l'environnement.
Le passage de "l'utilisation des données" à "l'exploitation des données" doit faire l’objet d'une stratégie globale. Cette stratégie repose sur des données propres, claires et significatives.
Les données numériques, et le Big Data en particulier, permettent de concevoir en détail des indicateurs pour mesurer le retour sur investissement. Le développement de modèles prédictifs permet ensuite d'assurer cette rentabilité sur le long terme, ce qui en fait un socle structurel pour toute entreprise numérique.
Grâce aux méthodes modernes d'apprentissage automatique (machine learning) et d'apprentissage profond (deep learning), la relation que les clients entretiennent avec l'entreprise à différents moments de contact peut être prédite avec une précision croissante. De plus, ces procédures modernes augmentent aussi de plus en plus l'efficacité des technologies sous-jacentes.