Big data and CRM

Dr Hanen Ragoubi
Master Professionnel en Marketing
2023/2024
Business Intelligence and Big Data

Chapter I: Changing Chapter II. Business

Business Intelligence in
Environments and Management of
decision support Organizations
systems

Chapter III. Big Data Chaper IV: Analysis of Chapter V. Measurement

for Business Business Intelligence and Assessment of
Intelligence and Big Data Business Intelligence
Adoption in and Big data
organisations Development in
Organisations
l
INTRODUCTION
➢ Le début du 21e siècle a apporté d'énormes changements dans le domaine de la
gestion, la façon de penser des gens, la perception du succès organisationnel et
les technologies de l'information.
➢ On s'attend à ce que les organisations modernes soient capables d'anticiper
l'avenir, d'établir rapidement des relations de cause à effet et de proposer de
nouvelles façons de faire les choses.
➢ L'allocation des ressources immatérielles (l'information et le savoir en
particulier) au centre de la production de richesses et l'utilisation habile des
technologies de l'information sont devenues une tâche cruciale de l'organisation.
• Les technologies intelligentes et les systèmes informatiques capables de
répondre aux exigences de la gestion moderne ont gagné en importance (Bui,
2000; Kersten, 2000; Laudon & Laudon, 2018; Olszak, 2016; Power, 2001;
Turban et al., 2014).
3 Rapport annuel 29 avril 2025
➢ Les flux d'informations croissants, les nouvelles pratiques commerciales, les clients, la concurrence, les employés et
l'évolution radicale de la technologie sont les principaux moteurs des changements en cours.

Le changement est un élément inhérent dans lequel les organisations contemporaines doivent opérer.

➢ La technologie joue un rôle important dans l'induction et la réalisation des

changements (McNurlin, Sprague et Bui, 2014 ; Sauter, 2010).

➢ De nombreux auteurs sont d'avis (Rivard et al., 2004) que la compréhension de

l'essence des changements qui se produisent, tant au sein que dans l'environnement
des organisations modernes, et la réaction rapide à ces changements, constituent la
base pour obtenir un avantage concurrentiel, améliorer les relations avec la clientèle et
accroître l'efficacité organisationnelle (figure 1.1).
4 29 avril 2025
 Business Intelligence and Big Data
Business Intelligence and Big Data

Organization Organization’s Technologies

environment
Nouvelles ressources -Technologies de
immatérielles -Globalisation l'information
Caractère vague et flou -Marché -Internet
des processus -Clientèle -Médias sociaux
décisionnels -Compétition -Sécurité et protection des
Salariés -Intervenants données
Nouveaux métiers et -Réglementation légale
domaines d'emploi
QUICK RESPONSE TO CHANGE
Gestion efficace de Technologies intelligentes
Information et des Produits et services
Systèmes informatiques spécialisés
personnalisés
connaissances dédiés à l'analyse et à la prédiction
Gestion des relations avec les avancées, au traitement de
Organisation créative, clients et les autres parties données de masse, à la découverte
employés créatifs prenantes de nouvelles connaissances
5
Figure 1.1 Organizations faced with changes
• Big Data fait référence à une quantité abusive de données
produites quotidiennement, Data Mining est l’« extraction » de
ces données et Data Warehouse est un dépôt de données
numériques.
• L’Intelligence Artificielle (IA), qui révolutionne les méthodes
d’analyse des données grâce à des algorithmes complexes
• La Data Intelligence est une discipline de la Data Analytics
appliquée à la Business Intelligence. Elle utilise la Data
Science pour l’analyse et l’exploration de de la donnée.

6 Rapport annuel 29 avril 2025

Datawarehouse (Entrepôt de Données) Data visualisation

▪ Un dépôt de données numériques ▪ Art d’utiliser les bons graphiques ou

pour stocker des informations animations en vue de représenter des
corporatives détaillées. « C’est un données ou des indicateurs de
regroupement intelligent de données manière visuelle
provenant d’une même source, un
▪ Utiliser les bons graphiques aux
principe fort discuté lorsqu’il est lié à bons endroits, afin de transmettre la
des Business Intelligence », explique
bonne information à l’utilisateur.
Mendes.

7 29 avril 2025
 Data Visualization
• Les données deviennent plus volumineuses et facilement accessibles, la conception est de plus en
plus axée sur la visualisation des données. La tendance commune est d'afficher les informations de
manière cohérente afin que les utilisateurs discernent les relations importantes et tirent parti des
tendances, des modèles et des valeurs aberrantes pour leurs décisions ultérieures.

• Généralement, il existe 2 techniques différentes de visualisation des données :

✓ Exploration: qui vous fait comprendre le sens et le but de vos données.

✓ Explication: qui raconte l'histoire des données aux utilisateurs.

• Afin de répondre à la plupart des attentes de votre public, vous devez envisager les deux techniques.

8 Rapport annuel 29 avril 2025

Data Visualization – Design Techniques And
Example

9 29 avril 2025
 À quoi sert la visualisation des données ?
➢Les données, surtout lorsqu’elles sont nombreuses, peuvent être difficiles à appréhender.
La visualisation des données aide à interpréter et à comprendre les données.

➢La visualisation de données peut être utilisée pour :

• Rendre les données engageantes et faciles à assimiler.

• Identifier les tendances et les valeurs aberrantes dans un ensemble de
données
• Raconter une histoire trouvée dans les données
• Renforcer un argument ou une opinion
• Mettre en évidence les parties importantes d’un ensemble de données.

10 Rapport annuel 29 avril 2025

 Types de visualisations de données

• Voici quelques types de graphiques les plus courants :

• Les diagrammes à barres

• Graphiques en ligne
• Graphiques à secteurs
• Graphiques à bulles
• Diagrammes à barres empilées
• Cartes arborescentes
• Nuages de mots
• Pictogrammes
• Graphiques de surface
• Graphiques en nuage de points
• How Is Big Data Defined?

12
➢Big Data : est la gestion de données numériques accessibles à l’infini.

➢Le Big Data est une force aux 5V par son Volume de données à traiter,
par sa Vitesse de collecte des données, par sa Variété des informations
récoltées très diverses, par sa Véracité des données et enfin par sa
Valeur.
➢Optimiser l’utilisation des Big Data pour une entreprise repose sur la
maîtrise de 5 piliers : les 5 V, comme Volume, Vélocité, Variété,
Véracité et Valeur.

13
 LES 5 V DESIGNATIONS
VOLUME Big Data se caractérise par une quantité très importante de données qui sont
collectées puis analysées

VITESSE Les données sont collectées et traitées de manière presque instantanée

Variété Les données récupérées sont d’une très grande variété puisqu’elles proviennent
de différentes sources et ont des formes variées (texte, image etc.)

Véracité Big Data se caractérise par la fiabilité des données collectées, même si celle-ci est
menacée par la diversité des sources de données.

Valeur Les données doivent être sélectionnées/triées de sorte à conserver celles qui vont
délivrer une réelle valeur, c’est-à-dire une réelle plus-value aux entreprises.

14
 Utilisation de Big Data
• En résumé il y a trois utilisations de données:
1. Descriptive: Que s’est-il passé?pourquoi?
Une analyse des données à trouver les raisons la cause certaines
explications dont on va se baser sur un volume important de données
pour trouver cela.
2. Prédictives: Que va-t-il se passer?
Grace à ces données qu’en analyse on va prédire ce que va se passer ou
risque de ce que ce passer----avoir un moyen d’agir pour favoriser cela ou
au contraire éviter ce que se produise
Une 3eme utilisation intéressante:
3. Prescriptive: Comment atteindre l’objectif? On va se baser sur une
analyse de toutes les données à disposition dans le but d’améliorer leur
chance d’atteindre cet objectif ou au contraire augmenter à nos chances
d’éviter quelques choses qu’on veut l’éviter.

15 29 avril 2025
 Pourquoi ce n’est pas de la BI?
BIG DATA BI
Charge de travail Ad-hoc: on ne sait pas encore ce que vont nous dire Préparée
les données ni les utilisations qu’on va pouvoir
faire, on doit avoir un système qui nous permet
d’évoluer sur notre traitement de données: tester
des requêtes SQL, tester si ces requêtes vont
obtenir de nos données, chercher des choses
différentes dans les données

Type de données Brutes: peu structurée Structurées: beaucoup plus facile à

analyser
Sources Données externes et opérationnelles (stoker Opérationnelles: Saisie des
massivement): défit de traitement est beaucoup informations, récupère ces
plus important informations à travers des
processus de transformation,
stocker dans des entrepôts bien
structurés

16
• Une des raisons de l’apparition du concept de Big Data est le besoin de réaliser le défi
technique qui consiste à traiter de grands volumes d’information de plusieurs types (structurée,
semi structuré et non structurée) générée à grande vitesse. Le Big Data s’appuie sur quatre
sources de données:

Les logs issus du

Les issus des
trafic sur le site
médias sociaux
officiel de l’Ets:

BIG DATA

Les données
Les données
ouvertes et
comportementales
réutilisables
❑Les logs (journaux de connexion) issus du trafic sur le site officiel de
l’entreprise : Ces sources de données, sont les chemins pris par les
visiteurs pour parvenir sur le site : moteurs de recherche, annuaires,
rebonds depuis d’autres sites, etc. Les entreprises d’aujourd’hui
disposent d’une vitrine sur le Web au travers de son site officiel. Ce
dernier génère du trafic qu’il est indispensable d’analyser, ainsi ces
entreprises disposent des trackers sur les différentes pages afin de
mesurer les chemins de navigation, ou encore les temps passés sur
chaque page,.etc. Ci- tons parmi les solutions d’analyse les plus connues
: Google Analytics, Adobe Omniture, Coremetics.
❑ Les issus des médias sociaux «insights» : Une approche complémentaire,
consiste à recueillir les commentaires aux publications et à y appliquer
des algorithmes d’analyse de sentiment. Citons quelques pistes pour
suivre nos différents comptes : Hootsuite, Radian6 ou encore les API
mises à disposition et interrogées avec le complément Power Query pour
Excel, IRaMuTeQ pour l’analyse de données textuelles.
❑Les données comportementales (third party data): Ces données sont
toutes des données sur les internautes récoltées via des formulaires ou
des cookies. Au- delà des classiques informations d’identité (sexe, âge,
etc), il est maintenant beaucoup plus efficace de mesurer les
comportements (navigation, configuration matérielle, temps passé sur
les pages, etc). Pour cela, il existe des acteurs spécialisés du Web qui
nous aident à collecter de l’information sur nos clients ou prospects et à
améliorer ainsi les campagnes de communication. Quelques acteurs du
domaine de la third party data : Bluekai, Exelate, Weborama, Datalogix,
etc.
❑Les données ouvertes et réutilisables «L’open data» sont toutes les
données ouvertes et réutilisables, L’open data permet de mettre en
ligne les données ouvertes, de fiabiliser les données et de les rendre
réutilisables et exploitables, où l’ouverture consiste à rendre une
donnée publique : libre de droits, téléchargeable, réutilisable et
gratuite.

19 Rapport annuel 29 avril 2025

 More DATA

« Logs » de
connexion
sur les pages
web de Bases de
l’entreprise production Entrepôt des « Insights »
Cube produits sur
données
décisionnel les réseaux
sociaux
Données de l’entreprise

Thid Party Data

 Les technologies de traitement et de stockage de Big Data
➢Les Big Data requièrent de redéfinir les systèmes de stockage et de traitement de
données, qui peuvent supporter ce volume de données. En effet, plusieurs technologies
ont été proposées afin de représenter ces données, ces technologies prennent au moins
un axe parmi les deux soit l’amélioration des capacités de stockage, soit l’amélioration
de la puissance de calcul:

Amélioration de la puissance de calcul : Amélioration des capacités de stockage :

Le but de ces techniques est de permettre de L‘amélioration du stockage vers des systèmes
faire le traitement sur un grand ensemble de distribués, où un même fichier peut être réparti
données, avec un coût considérable et sur plusieurs disques durs, cela permet
d’améliorer les performances de l’exécution d‘augmenter les volumes de stockage en utilisant
comme le temps de traitement et la tolérance aux un matériel de base. Ces technologies de
pannes. Avant l‘apparition de la plateforme stockage évoluent toujours pour offrir des accès
Hadoop on trouve plusieurs technologies comme plus rapides aux données comme le NoSQL,
le Could Computing, les architectures HDFS de la plateforme Hadoop, HBase, le Cloud
massivement parallèles MPP et les technologies Computing, etc.
In-Memory.
 MapReduce

• Pourquoi MapReduce?
• Les systèmes d’entreprise traditionnels disposent normalement d’un
serveur centralisé pour stocker et traiter les données. Le modèle
traditionnel n’est certainement pas adapté au traitement de gros
volumes de données évolutives et ne peut pas être géré par des
serveurs de base de données standard. De plus, le système
centralisé crée trop de goulot d’étranglement lors du traitement
simultané de plusieurs fichiers. Google a résolu ce problème de
goulot d’étranglement à l’aide de modèle MapReduce.
 • Définition de modèle MapReduce :
• Il a été conçu dans les années 2000 par les ingénieurs de Google.
C’est un modèle de programmation conçu pour traiter plusieurs
téraoctets de données sur des milliers de nœuds de calcul dans un
cluster. MapReduce peut traiter des téraoctets et des pétaoctets de
données plus rapidement et efficacement. Par conséquent, sa
popularité a connu une croissance rapide pour diverses marques
d’entreprises beaucoup de champs. Il fournit une plateforme très
efficace pour l’exécution parallèle des applications, l’allocation de
données dans des systèmes de bases de données distribuées, et
communications réseau à tolérance de pannes.
• L’objectif principal de MapReduce est de faciliter la parallélisation des
données, leur distribution et l’équilibrage de la charge dans une
bibliothèque simple.

23
L’architecture de MapReduce

24 Rapport annuel 29 avril 2025

• L’ensemble du processus MapReduce est une configuration de
traitement massivement parallèle où le calcul est déplacé à
l’endroit des données au lieu de déplacer les données à l’endroit
du calcul.
• Ce type d’approche permet:
➢d’accélérer le processus,
➢de réduire la congestion du réseau
➢et d’améliorer l’efficacité du processus global.

• L’ensemble du processus de calcul se décompose en trois étapes :

le mappage, le brassage et la réduction.

25 Rapport annuel 29 avril 2025

 Étape de
mappage Processus de
C’est la première étape de
MapReduce et elle comprend Phase de réduction: brassage
le processus de lecture des
peut commencer avant même que
informations à partir du Elle peut se composer de plusieurs le processus de mappage ne soit
système de fichiers processus. Au cours du processus terminé. Ensuite, les données sont
distribués Hadoop (HDFS). de brassage, les données sont triées afin de réduire le temps
Les données peuvent se transférées du mappeur au nécessaire à la réduction des
présenter sous la forme d’un réducteur. Sans le brassage réussi données. Le tri aide en fait le
répertoire ou d’un fichier. Le des données, il n’y aurait pas processus de réduction en
fichier de données d’entrée d’entrée pour la phase de fournissant un indice lorsque la clé
est introduit dans la fonction réduction suivante dans les données
de mappage, une ligne à la
d’entrée triées est différente de la
fois. Le mappeur traite
clé précédente
ensuite les données et les
réduit en blocs de données
plus petits.
 Techniques for Big Data Analyzing
➢ La nature complexe des ressources du Big Data nécessite l'utilisation de techniques
avancées pour les traiter et les analyser.

➢ Ces techniques sont data mining, text mining, web mining, graph mining, network
analysis, machine learning, deep learning, neural networks, genetic algorithms
(GAs), spatial analysis, and search-based application(les applications basées sur la
recherche) (Table 3.1).

➢ Ces techniques ont un impact sur la fonctionnalité et les possibilités des applications
Big Data et, par conséquent, sur la qualité de la prise de décision, la personnalisation
des produits et services, ainsi que sur l'amélioration des processus d'affaires et de la
gestion de la relation client (Chen, Chiang et Storey, 2012 ; Olszak, 2016).
27
 Technique Description
d'analyse BD
Data mining Processus interactif visant à l'analyse de grandes bases de données, dans le but
(Exploration de d'extraire des informations et des connaissances qui peuvent s'avérer exactes et
potentiellement utiles pour les travailleurs du savoir engagés dans la prise de
données) décision et la résolution de problèmes.
L'objectif principal de l'analyse de Data mining est l'interprétation et la prédiction.
Différents modèles et méthodes mathématiques peuvent être utilisés dans
l'exploration de données. Les plus importants sont regression, time series,
classification, association rules, and clustering.
Text mining Text mining est utilisée dans l'identification des relations, la détection de la subjectivité et
la génération de résumés. Les techniques d'analyse de texte ont été activement
poursuivies dans plusieurs domaines émergents, notamment l'extraction d'informations, les
modèles thématiques, la réponse aux questions, la détection d'événements et opinion
mining.
➢ Permet de découvrir les modèles dominants d'utilisation des mots et les modèles de
relations entre les mots ou les documents qui proviennent de sources diverses :
communications par courrier, documents Internet ainsi que données provenant des
réseaux sociaux.
Web mining L'exploration Web est utilisée pour traiter et analyser des contenus Web non structurés basés sur XML, le
protocole Internet (HTTP, SMTP) et l'interface de programmation d'applications (API).
Il permet aux développeurs d'intégrer divers contenus provenant de différents systèmes Web. L'exploration
Web peut inclure :
(1) l'exploration de contenu qui implique l'analyse de documents publiés sur Internet et sur des sites Web ;
(2) Exploration d'utilisateurs qui se rapporte à l'analyse des comportements des utilisateurs, consistant en
l'analyse du trafic réseau et de la façon dont les utilisateurs se comportent ;
(3) Exploration de structures où l'objet des analyses est l'interrelation entre divers objets du réseau (par
exemple, les sites Web).

Graph mining Le graphe mining est un ensemble de méthodes permettant de faciliter la détection d'associations intéressantes
au sein de la structure de graphe analysée. Les techniques de graph mining ont été classées en trois groupes
principaux :
▪ le regroupement de graphes,
▪ la classification de graphes
▪ et l'exploration de sous-graphes.
Les techniques d'exploration de graphes peuvent être basées sur différents algorithmes. Il s'agit
principalement des D-Walks, des k-moyennes à noyau multiniveau, de l'algorithme génétique (GA), du
CFFTree, de la méthode de carottage, du co-clustering de graphes bipartites, de la matrice de clique, de
SSHGCA, K-NN, HSG et de l'algorithme distribué.
Network analysis L'une des analyses de réseau les plus connues est l'exploration des médias sociaux (SMM). Le SMM est le
processus de représentation, d'analyse et d'extraction de modèles exploitables à partir des données des médias
sociaux. SMM introduit des concepts de base et des algorithmes principaux adaptés à l'étude de données
massives sur les médias sociaux. L'analyse de réseau peut fournir des informations sur le comportement et les
préférences des consommateurs pour l'entreprise, ainsi que d'exprimer le changement d'humeur du public et
même de prédire la tendance du marché boursier. Il peut également identifier les groupes d'audience cible
grâce à l'influence de la marque sur la base des mégadonnées des clients sur la plate-forme de médias sociaux
et prendre en charge les services de messagerie personnalisés basés sur la localisation.

Machine learning Machine learning est le processus d'utilisation d'ordinateurs pour imiter une personne afin d'acquérir des
compétences par l'apprentissage.
Machine learning est entraîné à l'aide de données et d'algorithmes étendus qui permettent aux machines de
s'approprier la capacité de prédire les tendances de gestion et de prendre des décisions dans le processus
d'analyse et d'optimisation de la gestion opérationnelle du Big Data.
Elle permet de construire des modèles à partir de données de masse ou de découvrir diverses relations
impliquées dans les données observées en fonction des besoins spécifiques des utilisateurs.
(Deep learning) Apprentissage C’est est une combinaison non linéaire de la méthode d'apprentissage de la représentation
profond multicouche. L'apprentissage de la représentation consiste à apprendre la représentation (ou la
caractéristique) à partir de données afin d'extraire des informations utiles des données lors de la
catégorisation et de la prédiction. Deep learning commence par des données brutes et transforme
chaque couche de représentation (ou de caractéristique) en une représentation plus élevée et plus
abstraite, découvrant ainsi la structure complexe des données de grande dimension.

Neural networks Les réseaux de neurones sont les méthodes les plus avancées de l'intelligence artificielle. Ils sont
notamment utilisés pour la reconnaissance et la prédiction des formes. Les types de réseaux
neuronaux les plus importants sont les suivants : Perceptron multicouche, Réseau de fonctions de
base radiale, Machine à vecteurs de support, Réseau neuronal de régression généralisée et Carte
auto-organisée.

Genetic algorithms L'AG est appliquée sur le domaine du problème où le résultat est très imprévisible et où le
processus de résultat contient des modules complexes interdépendants. GA est utilisé pour obtenir
des solutions optimisées à partir d'un certain nombre de solutions candidates. L'AG s'inspire de la
théorie de l'évolution : les espèces faibles et unitaires sont menacées d'extinction par la sélection
naturelle et les plus fortes ont plus de chances de transmettre leurs gènes aux générations futures
par le biais de la reproduction.
Analyse spatiale L'exploration de données spatiales est le processus qui consiste à découvrir des modèles intéressants et
(Spatial analysis) jusqu'alors inconnus, mais potentiellement utiles, à partir de grands ensembles de données spatiales. Le
contenu des données spatiales peut être la valeur de la hauteur du point, de la longueur de la route, de la
surface du polygone, du volume du bâtiment et du pixel de l'imagerie, ainsi que de la chaîne de noms
géographiques et d'annotations, ainsi que des graphiques, des images, du multimédia, des relations et de
l'autocorrélation. Par rapport aux données générales, les données spatiales sont distinctes, par exemple
l'emplacement géographique, le changement temporel, le volume massif multidimensionnel, les relations
complexes, etc.

Applications basées sur L'application basée sur la recherche est une catégorie d'applications qui permet aux utilisateurs de trouver des
la recherche (Search- informations à partir de n'importe quelle source et dans n'importe quel format. L'utilisateur peut entrer tout ce
based applications) qu'il sait sur le client ou le produit et le moteur de recherche essaiera de trouver les clients ou les produits qui
ressemblent aux mots-clés saisis par l'utilisateur
 Big Data Management
▪ La nature complexe des ressources Big Data nécessite non seulement l'utilisation
de diverses techniques pour les traiter, mais aussi pour organiser l'ensemble du
processus de gestion de ces données.
▪ Il y a cinq phases identifiées dans le système d'analyse des mégadonnées, à savoir
(Agrawal et al., 2011) :
➢ l'acquisition/l'enregistrement ;
➢ l'extraction, le nettoyage et l'annotation ;
➢ l'intégration, l'agrégation et la représentation ;
➢ l'analyse et la modélisation ;
➢ l'interprétation.

▪ Management T
Acquisition/Enregistrement C’est une étape importante car la qualité des résultats de l'analyse dépend de ses performances.
La principale difficulté à ce stade est d'atteindre des sources de données pertinentes et fiables.

Nettoyage et Extraction des Il est nécessaire de modifier le format des données distribuées et de les préparer pour une
informations qui ont déjà été analyse plus approfondie. Les informations qui peuvent être extraites des données dépendent de
reçues leur qualité. Cela signifie que des données de mauvaise qualité conduiront presque toujours à de
mauvais résultats
Cest l'une des étapes les plus importantes à suivre avant de procéder à l'analyse des données.
Préparer et traiter les données: Toutes les données doivent être compréhensibles pour les ordinateurs. Il convient de noter qu'il
organiser les données existe plus d'une façon de stocker les informations, ce qui signifie qu'en fonction de l'objectif, les
données peuvent être présentées différemment de manière plus efficace.

Analyse/modélisation Il s'agit principalement (Chen et al., 2012) du clustering, de la classification et de la prédiction, de

la détection des valeurs aberrantes, des règles d'association, de l'analyse de séquences, de
l'analyse de séries chronologiques, de l'exploration de texte, ainsi que de nouvelles techniques
telles que l'analyse des réseaux sociaux et l'analyse des sentiments.

Interprétation Une évaluation critique des résultats obtenus.

Décider si les résultats obtenus peuvent être considérés comme fiables, compte tenu
de l'étendue des sources analysées.
 Big Data Technologies
Technologie Description

NoSQL NoSQl est une technologie qui, contrairement aux bases de données classiques, permet d'analyser rapidement
des données non structurées et de tester la corrélation entre elles. NoSQL facilite le transfert de toutes les
données pour une analyse ultérieure sans avoir à préparer au préalable un schéma de données.

Big Table Big Table est un système de stockage de données propriétaire compressé et hautes performances basé sur le
système de fichiers Google (GFS), le service Chubby Lock, SSTable (stockage structuré comme LevelDB) et
quelques autres technologies Google. La base de données a été conçue pour être déployée sur des systèmes en
cluster et utilise un modèle de données simple que Google a décrit comme « une carte triée multidimensionnelle
clairsemée, distribuée et persistante ». Les données sont assemblées dans l'ordre par clé de ligne, et
l'indexation de la carte est organisée en fonction des clés de ligne, de colonne et d'horodatage. Différents
algorithmes de compression permettent d'obtenir une capacité élevée.

Apache Cassandra Apache Cassandra est une base de données distribuée hautement évolutive et performante, conçue pour gérer
de grandes quantités de données sur de nombreux serveurs de base, offrant une haute disponibilité sans point
de défaillance unique. Il s'agit d'un type de base de données NoSQL. À l'heure actuelle, Apache Cassandra est la
base de données NoSQL la plus efficace de la classe « widerow » tout en conservant une évolutivité totale sur
n'importe quel équipement de classe.
Google File System (Système GFS est un système de fichiers distribué évolutif créé par Google Inc. et développé pour répondre aux besoins
de fichiers Google) croissants de Google en matière de traitement des données. GFS offre une tolérance aux pannes, une fiabilité,
une évolutivité, une disponibilité et des performances aux grands réseaux et aux nœuds connectés. Le cluster de
nœuds GFS est un maître unique avec plusieurs serveurs de blocs auxquels différents systèmes clients accèdent
en permanence. Les serveurs de blocs stockent les données sous forme de fichiers Linux sur des disques locaux.
Les données stockées sont divisées en gros morceaux qui sont répliqués dans le réseau au moins trois fois. La
grande taille du bloc réduit la surcharge du réseau

Apache Hadoop Un cadre logiciel open source pour le traitement d'énormes ensembles de données sur certains types de
problèmes sur un système distribué. Un logiciel open source est en cours de développement dans le cadre du
projet ApacheTM Hadoop R. Il permet le traitement de grands ensembles de données distribués dans des
grappes d'ordinateurs à l'aide de modèles de programmation simples. Le projet AppacheTM Hadoop comprend
divers modules tels que : Hadoop Common, Hadoop Distributed File System, Hadoop YARN et Hadoop
MapReduce.

MapReduce Un cadre logiciel introduit par Google pour traiter d'énormes ensembles de données sur certains types de
problèmes sur un système distribué. Il permet un traitement parallèle. L'hypothèse de base de ce modèle est de
diviser le problème en deux étapes principales appelées cartographie et réduction. Le système de fichiers
distribué de MapReduce permet de traiter les données sur le lieu de stockage.

Mashup Application qui utilise et combine la présentation de données ou des fonctionnalités provenant de deux sources
ou plus pour créer de nouveaux services. L'approche Mashup permet aux utilisateurs de créer des applications ad
(Mélange d’explosifs) hoc en combinant plusieurs sources de données et services différents provenant du Web.
 Tableau: Domaines choisis d'adoption de la BI&BD dans les organisations

Domaine d'application Description

Enquête de satisfaction client, prévision des comportements des clients, segmentation et

Marketing relationnel
profilage de la clientèle, analyse de l'efficacité des campagnes publicitaires

Amélioration de la relation client, de la communication avec les clients, de l'anticipation des

Gestion de la relation client
besoins, de la segmentation et du profilage de la clientèle, et de l'analyse de la valeur client

Analyse de la dynamique et de la structure des ventes, déploiement des services

commerciaux, analyse du degré de mise en œuvre des plans de vente, analyse du réseau de
Ventes et distribution vente et gestion des contacts, analyse des transactions clients, analyse des canaux de
distribution, estimation des marges de vente, analyse des résultats des ventes dans
différentes sections transversales

Gestion des agents et du réseau de vente, amélioration de l'efficacité actuarielle, évaluation

des risques et préparation des polices d'assurance, règlement des sinistres, détection des
Assurance
fraudes et des erreurs ainsi que l'évaluation du niveau des sinistres, analyse du niveau de
risque d'assurance
37 29 avril 2025
 Planification et budgétisation, analyse des coûts (structure et montant des coûts), analyse
des revenus et de la rentabilité, analyse du compte de résultat et du bilan, analyse des
Finances et contrôle de gestion
marchés financiers, analyse des risques financiers, analyse de la rentabilité et de la
fidélisation de la clientèle, analyse des indicateurs financiers et reporting

Optimisation de la chaîne d'approvisionnement ainsi que des paramètres d'un processus

Logistique
donné et des facteurs affectant le produit final

Analyse et rapports sur les ressources humaines, allocation du capital intellectuel, formation
Gestion des ressources humaines
et planification du cheminement de carrière des employés

Analyse de l'allocation, des coûts et de la rentabilité des investissements dans les régions,
Administration publique analyse de la structure du marché du travail, analyse du chômage, analyse de l'intensité du
trafic et personnalisation des services publics

Individualisation de l'accès aux ressources de connaissances, suivi de l'avancement du

travail des étudiants, suivi de l'efficacité du travail du personnel, accès rapide à l'information
Systèmes éducatifs/scolaires
collective, par exemple, à partir des carnets de notes, analyse de la rentabilité de
l'introduction des services éducatifs, analyse des coûts de l'éducation
38 29 avril 2025
Adoption du Big Data dans les
organisations
 Domaines de BI et de l'utilisation des mégadonnées
dans les organisations
➢ Le rôle et l'impact des systèmes analytiques sur une organisation et son environnement ont évolué au fil du temps.
D'applications simples et statiques, elles ont évolué vers des solutions qui peuvent être utilisées pour prévoir les
phénomènes économiques et sociaux, prédire et modéliser les comportements des clients et analyser la rentabilité
des produits;

➢ Diverses organisations et industries, par exemple le marketing, les ventes, la production, la banque, la finance, le
contrôle de gestion, les télécommunications, les assurances, l'administration, le secteur des soins de santé et
l'éducation, sont devenues bénéficiaires de systèmes analytiques basés sur la Business Intelligence et le Big Data
(BI&BD).

➢ On peut même dire qu'il serait difficile de donner des exemples d'organisations qui ne pourraient pas bénéficier de
BI&BD. Tant les grandes entreprises que le secteur des petites et moyennes entreprises recherchent de nombreux
avantages dans ces solutions.
• Selon Goodhue, Wixom et Watson (2010), on peut distinguer trois objectifs que les organisations atteignent en
mettant en œuvre la BI&BD.

• Celles-ci sont les suivantes :

➢ Améliorer le travail des différents départements, par exemple, le marketing, les ventes, etc. Les organisations
créent généralement des mini-entrepôts de données prenant en charge des tâches spécifiques dans de tels cas,
par exemple, la gestion des campagnes publicitaires, l'analyse de la rentabilité de produits spécifiques et les
comportements des utilisateurs d'Internet.
➢ Créer une infrastructure d'information complète qui assure une collecte et un filtrage efficaces des données
(provenant de divers endroits et appareils), leur intégration et leur analyse dans divers systèmes et perspectives.
➢ Mener la transformation d'une organisation, c'est-à-dire l'introduction de nouveaux modèles d'affaires axés sur
la gestion du changement, la gestion des connaissances et la gestion de la relation client (CRM). En règle
générale, cela implique d'investir dans une variété de référentiels de données (bases de données, entrepôts de
données), le streaming computing, le cloud computing et l'Internet des objets, qui permettent de soutenir les
objectifs stratégiques de l'organisation.

41 Rapport annuel 29 avril 2025

➢L'analyse de différentes études de cas confirme que la BI&BD peut être utilisée
dans les organisations, avant tout, pour les raisons suivantes (Chaudhary, 2004 ;
Davenport, Harris et Morison, 2010 ; Hawking, Foster et Stein, 2008 ; Olszak,
2016) :
1. Améliorer l'efficacité de la planification stratégique, tactique et opérationnelle, en particulier :
a) Modéliser les différentes options de développement de l'entreprise ;
• b) Informer sur la mise en œuvre de la stratégie, des objectifs et des tâches d'une organisation ;
• c) Fournir des renseignements sur les résultats des changements apportés aux processus opérationnels et à
la mise en œuvre des plans ;
• d) Identification des goulets d'étranglement ;
• e) Fournir des analyses du « meilleur » et du « pire » produit, de la région ; et
• f) Fournir des informations sur l'environnement de l'organisation.

42 Rapport annuel 29 avril 2025

2) Créer et améliorer les relations avec les clients : principalement en
A) Fournissant aux vendeurs des connaissances sur les clients afin qu'ils puissent répondre rapidement à leurs
besoins ;
B) Le suivi du niveau de satisfaction de la clientèle lié à l'efficacité atteinte ; et
C) L'identification des tendances du marché.
3) Analyser et améliorer les processus d'affaires et l'efficacité opérationnelle d'une organisation en :
• Fournissant des connaissances et une expertise concernant le développement et le lancement de nouveaux
produits sur le marché ;
• Fournir des connaissances sur les principaux processus opérationnels ; et
• L'échange de connaissances entre les équipes et les différents départements. Les effets les plus
spectaculaires de l'utilisation de BI&BD ont été observés lors de la création de campagnes publicitaires, de
l'anticipation des ventes et des comportements des clients, de l'élaboration de la politique de fidélisation
ainsi que de la recherche sur les anomalies et les détournements de fonds

43
 B. Big Data dans le marketing relationnel
• La différence entre le marketing classique et le marketing moderne, c'est-à-dire le marketing relationnel,
s'exprime dans une approche différente de l'établissement de relations avec les clients. Dans l'approche
traditionnelle, l'accent était mis sur l'acquisition du plus grand nombre d'acheteurs et le volume des
transactions. Dans le marketing relationnel, cependant, une attention particulière est accordée à la création de
relations durables avec les clients, à la connaissance approfondie de leurs besoins changeants et à leur
satisfaction grâce à l'utilisation intensive et diversifiée des instruments de marketing.

• En d'autres termes, la stratégie de marketing relationnel vise à initier, renforcer, intensifier et préserver dans le
temps les relations entre une entreprise et ses parties prenantes, représentées principalement par ses clients,
implique l'analyse, la planification, l'exécution et l'évaluation des activités menées pour atteindre ces
objectifs (Vercellis, 2009).

• Le développement des technologies de l'information et de la communication (TIC) et d'Internet a contribué à la

popularisation du concept de marketing relationnel. L'accès universel à Internet signifie que les processus
d'information ont une dimension « plusieurs-à-plusieurs » et sont à la fois collectifs et individuels.

44
On s'éloigne du message marketing à sens unique au profit d'un dialogue mis en œuvre, entre autres, par le
biais de centres de contact clients multifonctionnels. La communication, en plus d'anticiper les besoins et la
qualité du service, est perçue comme l'un des facteurs ayant le plus d'impact sur la fidélisation des clients. Du
point de vue du client, le développement de nouvelles technologies permet également d'abolir l'asymétrie
d'information entre le client et l'organisation.

• Selon Xu et al. (2016), les possibilités de base de l'utilisation de la BI&BD en marketing sont les suivantes :

• La prévision du marché ; profilage des acheteurs cibles ; quantifier les besoins des acheteurs et leurs
motivations d'achat ; l'identification de la perception, de l'achat et de l'utilisation des produits ;
l'identification des facteurs de succès de la marque ; concevoir des innovations ; l'introduction de nouveaux
produits ; l'optimisation des activités de commercialisation et de production ; et CRM.

• Il est affirmé que BI&BD permet mieux qu'auparavant de prévoir la demande sur les marchés nationaux et
étrangers en se basant non seulement sur des critères géographiques et démographiques, mais aussi sur des
critères comportementaux. Il offre de toutes nouvelles possibilités d'identification des groupes cibles et de
suivi des comportements des clients. Il permet une analyse statistique multidimensionnelle des journaux du
serveur et des analyses comportementales.

45
• Les organisations peuvent allouer plus efficacement leurs ressources et identifier
les caractéristiques des acheteurs, les modèles de comportement d'achat et leurs
relations avec les produits, les marques et les entreprises (Vriens et Kidd, 2014).
• En accédant à de nombreuses sources de données en temps réel, les organisations
qui utilisent l'analyse du Big Data peuvent surveiller en permanence les
comportements des acheteurs et des concurrents, les réponses des acheteurs aux
nouveaux biens et services, et obtenir des informations détaillées sur leur relation
avec les caractéristiques des produits, les prix et les méthodes de vente (Xu et al.,
2016). En plus de créer des idées pour de nouveaux produits, d'accélérer le
processus d'innovation, de réduire le risque de changements de prix et de modifier
l'offre du marché, les analyses BI&BD peuvent être utiles dans les programmes
d'efficacité, d'optimisation des coûts de service et des revenus (Vriens et Kidd, 2014
; Bean, 2017).

46
 Analyse des sites Web :
❑ Les sites Web sont devenus un outil de marketing important pour de nombreuses organisations. Ils fournissent des
informations importantes sur les clients potentiels, les fournisseurs et les concurrents, des informations sur les
opportunités du marché, les tendances technologiques, ainsi que sur le développement de l'économie mondiale.

❑ Les sites web jouent le rôle d'une plate-forme pour mener de nouvelles voies de communication, d'affaires, de
publicité et le développement de nouveaux comportements de consommation.

❑ Dans cette situation, l'analyse et l'évaluation du fonctionnement des sites Web sont des tâches extrêmement
importantes de chaque organisation. Grâce à cette analyse, il est possible d'obtenir les connaissances de base sur qui,
quand, pourquoi et comment utiliser le site web (Thuraisingham, 2003; Linoff et Berry, 2002).

❑ L'utilisation de modèles avancés de classification, de regroupement, d'appariement et de régression en relation avec

les données sur le fonctionnement du site Web et ses utilisateurs, les données commerciales et les données sur les
expériences des utilisateurs avec le site Web permet d'identifier les clients et leurs préférences.

❑ L'analyse et l'évaluation du fonctionnement des sites Web se réduisent principalement à la découverte et à l'analyse
des informations collectées sur le site Web, à la découverte et à l'analyse des modèles d'utilisation du site Web par les
utilisateurs et à l'analyse de la structure du site Web. La source de données utiles qui contribuent à l'amélioration des
opérations en ligne sur les sites web sont, entre autres, les fichiers de journaux web. Ils contiennent généralement les
informations suivantes :

47
Navigation sur un site web :

Il s'agit d'une analyse d'un chemin type suivi par un utilisateur lors de la navigation sur un site web. En outre, des
analyses des pages les plus populaires du site Web sont disponibles. Une telle analyse contribue à l'optimisation du site
Web en le transformant en un site plus convivial.

Analyse des références : Il existe des sites spécifiques qui génèrent du trafic utilisateur en référant des utilisateurs.

Analyse des erreurs : Ces analyses montrent les erreurs auxquelles l'utilisateur est confronté lorsqu'il navigue sur le
site. Ils s'avèrent très utiles pour résoudre les problèmes de fonctionnement actuel du site Web et pour créer une façon
plus conviviale de le naviguer.

Analyse des mots-clés : Il s'agit d'analyses des mots-clés les plus populaires utilisés dans les moteurs de recherche
qui permettent de trouver un site web d'une entreprise donnée. Grâce aux méthodes d'analyse et d'évaluation du
fonctionnement des sites web, on acquiert des connaissances précieuses sur l'attractivité de l'offre de l'entreprise et sur la
manière dont elle est conçue pour répondre aux besoins individuels des clients.

Ces connaissances sont utilisées pour personnaliser le site Web, automatiser la navigation,
façonner la stratégie de tarification et de promotion, et développer des affaires intelligentes.
Google est le moteur de recherche le plus populaire pour naviguer sur les sites Web.
• Les données sur les campagnes individuelles sont stockées dans des référentiels centraux (entrepôts de
données, bases de données) et peuvent être utilisées pour prédire l'efficacité de campagnes similaires à
l'avenir.
• Les outils d'analyse les plus connus utilisés pour la recherche marketing sont Google Analytics et Google
Adwords.
• Google Analytics est l'un des principaux outils d'analyse du trafic sur un site Web. Tout d'abord, Google
Analytics fournit deux types d'informations : sur les utilisateurs du site web et les sources de trafic. Google
Analytics est un outil d'analyse Web qui montre comment les utilisateurs trouvent le site, quelles actions ils y
effectuent et quand ils deviennent des clients.
• Google Analytics permet d'augmenter l'efficacité des activités en ligne en offrant des outils d'analyse pour les
annonceurs, les éditeurs et les propriétaires de sites Web.
• Voici des exemples de données collectées par Google Analytics sur les utilisateurs lors de l'analyse du trafic sur
le site Web : comment ont-ils accédé à notre site Web (que ce soit par le biais d'un moteur de recherche, en
les renvoyant d'une autre page ou en saisissant manuellement l'adresse de la page dans le navigateur), où
étaient-ils physiquement présents (pays, ville), quel logiciel utilisent-ils (système d'exploitation, navigateur,
type d'appareil), comment ils se sont comportés sur le site Web (combien de temps ils sont restés sur une
sous-page particulière, combien de s
• Toutes ces informations, correctement analysées et interprétées, peuvent aider à améliorer le site web et à
mieux adapter son contenu aux besoins des destinataires.
• Google Analytics peut fonctionner avec l'outil Google Adwords pour générer automatiquement des rapports
montrant l'efficacité de campagnes publicitaires individuelles, de groupes de publicités et de mots-clés. Cette
combinaison offre de nouvelles possibilités dans le suivi des ventes et des taux de conversion, la mesure de
l'atteinte des objectifs selon des critères définis, le suivi des campagnes d'e-mailing, des bannières
publicitaires, des annonces hors ligne, l'optimisation des performances du système Adwords et
l'identification des meilleures sources de revenus.

• La principale fonctionnalité de Google Analytics est la possibilité de compiler des rapports qui aident à
concevoir des pages de destination efficaces, et de choisir les bons mots-clés et publicités pour celles-ci. Les
rapports dotés d'une segmentation avancée permettent de visualiser et d'analyser les données en fonction
de nombreux facteurs différents. Les conseils obtenus peuvent être utilisés pour rationaliser les processus
qui mènent aux conversions en supprimant les éléments qui entraînent le plus souvent l'abandon du chemin
de conversion.

• Les rapports Google Analytics incluent une segmentation avancée, des rapports personnalisés définis par
l'utilisateur, une analyse avancée et une visualisation des données. Les systèmes de recommandation sont
répertoriés parmi de nombreux outils permettant de développer le marketing relationnel et de répondre aux
besoins des clients. L'objectif des systèmes de recommandation est d'offrir au client les produits/services les
plus adaptés à ses besoins à partir d'un ensemble de nombreuses possibilités.
Business Intelligence et Big Data
dans le:

Marketing Relationnel (Xu et La prévision du marché ; ❖ Les sites web: ils jouent le rôle
al. (2016), ) Profilage des acheteurs cibles ; d'une plate-forme pour mener de
Quantifier les besoins des acheteurs et nouvelles voies de
leurs motivations d'achat ; communication, d'affaires, de
Identification de la perception, publicité et le développement de
Achat et de l'utilisation des produits ; nouveaux comportements de
Identification des facteurs de succès de consommation.
la marque ; Les données sur les campagnes
Concevoir des innovations ; individuelles sont stockées dans
Introduction de nouveaux produits ; des référentiels centraux (entrepôts
Optimisation des activités de de données, bases de données) et
commercialisation et de production ; et peuvent être utilisées pour prédire
CRM. l'efficacité de campagnes similaires
à l'avenir.
Les outils d'analyse les plus connus
utilisés pour la recherche marketing
sont Google Analytics et Google
Adwords.

51 Rapport annuel 29 avril 2025

• Google Analytics est l'un des principaux outils d'analyse du trafic sur un site Web.

• Tout d'abord, Google Analytics fournit deux types d'informations : sur les utilisateurs du site web et les sources
de trafic.

• Google Analytics est un outil d'analyse Web qui montre comment les utilisateurs trouvent le site, quelles actions
ils y effectuent et quand ils deviennent des clients.

• Google Analytics permet d'augmenter l'efficacité des activités en ligne en offrant des outils d'analyse pour les
annonceurs, les éditeurs et les propriétaires de sites Web.

• Voici des exemples de données collectées par Google Analytics sur les utilisateurs lors de l'analyse du trafic sur le
site Web : comment ont-ils accédé à notre site Web (que ce soit par le biais d'un moteur de recherche, en les
renvoyant d'une autre page ou en saisissant manuellement l'adresse de la page dans le navigateur), où étaient-ils
physiquement présents (pays, ville), quel logiciel utilisent-ils (système d'exploitation, navigateur, type d'appareil),
comment ils se sont comportés sur le site Web (combien de temps ils sont restés sur une sous-page particulière,
combien de sous-pages ils ont visitées).

• Toutes ces informations, correctement analysées et interprétées, peuvent aider à améliorer le site web et à
mieux adapter son contenu aux besoins des destinataires.

52
• Google Analytics peut fonctionner avec l'outil Google Adwords pour générer automatiquement des rapports
montrant l'efficacité de campagnes publicitaires individuelles, de groupes de publicités et de mots-clés. Cette
combinaison offre de nouvelles possibilités dans le suivi des ventes et des taux de conversion, la mesure de
l'atteinte des objectifs selon des critères définis, le suivi des campagnes d'e-mailing, des bannières publicitaires,
des annonces hors ligne, l'optimisation des performances du système Adwords et l'identification des meilleures
sources de revenus.

• La principale fonctionnalité de Google Analytics est:

❑ La possibilité de compiler des rapports qui aident à concevoir des pages de destination efficaces,

❑ de choisir les bons mots-clés et publicités pour celles-ci.

Ces systèmes fonctionnent sur le principe du filtrage des données en fonction des
besoins du profil personnalisé de l'utilisateur (client) développé.

53 Rapport annuel 29 avril 2025

La planification et la budgétisation Elles sont des activités qui se ❑ Les mécanismes OLAP automatisent
déroulent dans le contexte de efficacement les processus de
réseaux d'interconnexion très consolidation des régimes. Grâce à
l'utilisation de clés d'allocation, il
complexes. Par exemple, d'une part,
devient possible de mapper
il s'agit des lignes directrices du rapidement les plans stratégiques au
conseil d'administration pour une niveau opérationnel et les budgets de
stratégie de développement projet aux sous-projets ou aux unités
pluriannuelle et, d'autre part, de la organisationnelles.
nécessité d'élaborer des plans ❑ Ils permettent à l'entreprise
opérationnels pour une année d'obtenir la version optimale du
donnée budget en peu de temps.

➢ Les outils BI&BD peuvent prendre en charge la modélisation et l'intégration de tous les aspects de cette
réalité. Ils sont principalement utilisés pour relier les activités quotidiennes et opérationnelles de tous les
départements, ainsi que les employés avec des objectifs stratégiques
➢ Les outils OLAP permettent également une analyse des coûts très détaillée

54 Rapport annuel 29 avril 2025

La vente et la ❑ Les outils BI&BD permettent l'exploration des données issues des différents canaux de
distribution et fournissent des informations utiles à leur gestion efficace, à savoir :
distribution Répartition des services de vente : grâce à l'analyse géographique de la clientèle, les
entreprises peuvent répartir de manière optimale les services de vente sur les différents
sites. Cette analyse doit inclure des informations sur les clients potentiels et les produits
offerts par l'entreprise.
Développement du réseau de vente et gestion des contacts : les outils BI&BD peuvent
être utilisés pour suivre les résultats des ventes des vendeurs individuels. Une telle analyse
permet, par exemple, d'identifier les meilleurs vendeurs qui pourront ensuite être
rémunérés, formés, etc., en fonction du mérite.
Analyse des canaux de distribution : à l'aide d'outils BI&BD, les organisations peuvent
comparer les résultats de leurs activités au sein de canaux individuels. Dans le processus
d'évaluation de l'efficacité des canaux de distribution, la mesure de la rentabilité des
canaux de distribution par rapport aux produits vendus par leur intermédiaire ainsi qu'aux
clients acquis et servis par ces canaux mérite une attention particulière
Dans le secteur de la vente au détail, de nombreuses organisations utilisent déjà l'analyse du Big Data
pour améliorer la précision des prévisions, anticiper les changements de la demande, puis réagir en
conséquence.

55 Rapport annuel 29 avril 2025

L’évaluation du risque de crédit . L'évaluation du risque de crédit peut être réalisée selon différents modèles,
dont le bon choix dépend de la finalité de l'analyse et de la spécificité des
données analysées. Il s'agit notamment des éléments suivants :
Évaluation de la solvabilité : les formulaires de demande remplis par les
nouveaux clients servent de base à l'évaluation de la solvabilité.
Notation comportementale : des informations supplémentaires sur
l'historique du comportement des clients peuvent être utilisées pour prévoir
les comportements futurs des clients.
Score de profit : il prend en compte non seulement la probabilité qu'un
client rembourse le prêt, mais estime également le bénéfice pour
l'organisation associé à la coopération avec un client donné. Il s'agit d'un
modèle plus complet car il prend en compte de nombreux autres facteurs
économiques.
Grâce aux modèles présentés, il est possible de:
❖ réduire considérablement le nombre de « mauvais » crédits
❖ augmenter la rapidité de prise de décisions de crédit, qui peuvent être prises par du personnel moins
expérimenté.
❖ permer de réduire efficacement les pertes.
❖ La possibilité de réduire le nombre de documents requis lors de l'examen de la demande est également cruciale.
Les modèles d'évaluation du risque de crédit sont utilisés à la fois dans le secteur bancaire (prêts de trésorerie,
évaluation et tolérance aux retards dans le règlement des créances), ainsi que dans de nombreux autres
domaines liés, par exemple, à la location ou au crédit-bail de biens immobiliers et d'équipements.
56 Rapport annuel 29 avril 2025
Le secteur financier et bancaire ❑ Le secteur financier est l'un des secteurs les plus axés sur les données.
Les ensembles de données ont considérablement augmenté en termes
de taille, de type et de complexité et sont difficiles à utiliser à l'aide
d'outils de gestion de bases de données traditionnels.
❑ De nombreuses grandes institutions financières et bancaires atteignent
les limites supérieures de leurs systèmes existants et recherchent
désormais des solutions d'analyse et de cadre innovantes (Deutsche
Bank, 2014).

Selon la Deutsche Bank, les principaux moteurs de l'adoption de la technologie Big Data dans le secteur financier
sont :
➢ la croissance explosive des données : la croissance rapide des données provenant de sources internes et
externes nécessite une meilleure utilisation des technologies existantes et des nouvelles technologies pour
acquérir, organiser, intégrer et analyser les données ;
➢ la réglementation : les nouvelles réglementations exigent une refonte fondamentale de la planification de la
liquidité et de l'ensemble des fonctions de gestion de l'actif et du passif ;
➢ la détection et la sécurité des fraudes ;
➢ la connaissance de la clientèle et l'analyse marketing, étant donné que les consommateurs entretiennent
désormais des relations transitoires avec plusieurs organisations.

57 Rapport annuel 29 avril 2025

la gestion des ressources Les applications BI&BD les plus courantes dans la gestion des ressources humaines
sont les suivantes :
humaines
Analyses et rapports sur les ressources humaines : il est possible d'obtenir une vue
d'ensemble intégrée des données sur l'emploi du personnel, en particulier diverses
analyses concernant leur migration, leurs réalisations et la séparation des emplois. Ces
données peuvent être combinées avec d'autres informations provenant du marché du
travail, par exemple, les critères d'emploi établis dans un secteur donné, la demande
du marché pour des groupes professionnels spécifiques.
Répartition de la main-d'œuvre : Des analyses multidimensionnelles sont utilisées
pour déterminer le niveau d'emploi du personnel (par exemple, dans les services de
vente) dans des régions spécifiques où la demande pour des produits et services
spécifiques devrait augmenter.
Portail de gestion des ressources humaines : Il s'agit d'une base de données
intégrée des employés, dans laquelle sont stockées des informations sur leurs
compétences, leurs salaires, leurs réalisations, leurs promotions professionnelles, etc.
Planification de la formation et du parcours professionnel : des données précises
sur les compétences acquises par chaque employé peuvent être stockées dans des
entrepôts de données. Cela est utile lors de la conception de programmes visant à
améliorer leurs qualifications et la planification de leur cheminement de carrière (SAS
Institute, 2013).

58 Rapport annuel 29 avril 2025

 CONCLUSION
• L'utilisation d'outilsBD exige de l'organisation qu'elle exploite un ensemble spécifique de
compétences combinant des compétences techniques avec une connaissance de
l'architecture de l'information et de vastes compétences analytiques. Dans le cadre de ce
qui précède, il est nécessaire de développer de nouvelles professions basées sur les
connaissances bibliologiques et informatiques classiques, complétées par des
compétences informatiques et analytiques hautement spécialisées. Un exemple serait
des professions, telles que l'analyste Big Data, le scientifique Big Data ou l'architecte Big
Data.

59
 Comment le Big Data améliore-t-il le CRM ?
• Grâce au Big Data et à l’étude comportementale des consommateurs, les
entreprises bénéficient d’informations commerciales importantes pour
proposer des produits ou un service répondant à des besoins spécifiques
qui accélèrent leurs ventes.

Ceci, car à partir du Big Data, les données que les clients fournissent peuvent
être mises à profit, tant pour la communication que pour la fidélisation des
prospects.

60 Rapport annuel 29 avril 2025

 Meilleure personnalisation des produits grâce au Big Data: cas de
NIKE

Meilleure segmentation de vos clients existants

Meilleure compréhension des sources d’insatisfaction

Meilleure identification des ambassadeurs de vos produits

61 Rapport annuel 29 avril 2025

 1. Une meilleure personnalisation des produits grâce au Big Data
❑Grâce au Big Data et à l’étude comportementale des consommateurs, les
entreprises bénéficient d’informations commerciales essentielles pour
proposer des produits ou des services répondant aux besoins spécifiques
de leurs clients.

❑En effet, les données fournies par les clients peuvent être utilisées à la fois
pour communiquer avec eux ou les fidéliser.

❑Avec le Big Data, l’entreprise n’a pas à questionner chaque consommateur

sur ses désirs. Il lui suffit d’interpréter les renseignements générés,
autrement dit, de traiter le Big Data, à travers :

62 Rapport annuel 29 avril 2025

• Les recherches des internautes sur le Web ;
• Les achats que les consommateurs effectuent en ligne ;
• Le parcours emprunté par un visiteur sur un site ou un point de vente ;
• La réaction des clients sur les réseaux sociaux, etc.

En fonction des contenus, de l’offre, ou des produits qui ont suscité des
interactions ou des achats, l’entreprise peut personnaliser ses propositions.
En outre, grâce à l’intégration des données du Big Data au CRM, elle
peut mieux sectionner ses cibles marketing, ses catégories de clients et ainsi
leur offrir une satisfaction plus forte. En effet, en symbolisant ses offres,
l’entreprise améliore son taux de fidélisation.

63 Rapport annuel 29 avril 2025

▪ En l’occurrence, c’est en exploitant le Big Data que des marques de
réputation sont parvenues accroître leurs ventes, à personnaliser leurs
produits et à faire que leur CRM soit efficace. C’est par exemple le cas du
géant Nike.

▪ Grâce aux données collectées à partir de son application Nike +, la

société a échantillonné et analysé les préférences des athlètes pour
créer une nouvelle collection de vêtements
▪ Avec les données recueillies sur son logiciel Nike +, l’entreprise a trié et
étudié les préférences des athlètes. Le résultat est tel qu’elle a su
concevoir une collection de vêtements parfaitement adaptée à leurs
exigences.

64 Rapport annuel 29 avril 2025

 2. Une meilleure segmentation de vos clients existants

• Tout comme le CRM, le Big Data permet d’atteindre une meilleure

gestion relation client. Mais il permet aussi de mieux segmenter la
clientèle.

• En 2021, se contenter d’une simple approche de segmentation

B2B/B2C n’est plus suffisant : il faut anticiper les actions ainsi que les
attentes des clients. En se basant sur l’analyse massive des données,
les spécialistes du marketing sauront quel profil de client achète
quel produit, et quel est l’argument marketing qui marche à son
égard.

65 Rapport annuel 29 avril 2025

➢Grâce à cette étude, il sera plus facile de sélectionner les canaux de
vente, mais aussi les outils de communication, les types d’interactions à
privilégier avec la cible, etc. L’entreprise pourra ainsi ajuster ses
offres conformément aux besoins de ses clients et établir des relations
plus solides avec chacun d’entre eux.

66 Rapport annuel 29 avril 2025

 3. Une meilleure compréhension des sources
d’insatisfaction
• En se fondant sur un système CRM et sur les données récoltées grâce au service Big Data,
votre entreprise peut établir plus facilement les besoins actuels et futurs d’un client. Elle
peut également mieux comprendre ce qui déclenche l’achat.

• Le CRM permet même de savoir comment la clientèle perçoit vos produits ou services. En
effet, il est possible de remonter l’activité d’un contact sur le site Internet dans le CRM, puis
de créer des cohortes (groupes d’utilisateurs) et d’étudier leurs similitudes de profils.

• À titre d’exemple, pour évaluer le taux de satisfaction des clients, les entreprises peuvent
procéder à l’analyse des informations recueillies sur les réseaux sociaux et autres services en
ligne. Elle peut alors corriger son offre, l’améliorer et faire en sorte de mieux satisfaire sa
clientèle.

67 Rapport annuel 29 avril 2025

• Pour ce faire, elle peut adopter de nouvelles stratégies de marketing et
de vente : elle peut changer son ton, son discours, ses arguments de
vente, mais aussi son univers visuel si elle parvient à définir les éléments
auxquels sont sensibles ses clients potentiels et effectifs.

68 Rapport annuel 29 avril 2025

 4. Une meilleure identification des ambassadeurs de vos
produits
• Les marques n’utilisent pas les réseaux sociaux uniquement pour leur
communication : elles viennent chercher de précieuses informations sur
l’expérience des clients avec leurs produits ou services. Les réactions des
internautes et leurs commentaires sont d’une importance capitale dans
l’analyse de la pertinence des produits, du parcours client, de la qualité du
relationnel.

• Grâce à des logiciels Big Data de collecte de ces données, vous pourrez
distinguer les sujets de conversation autour de votre offre, mais
aussi sélectionner les ambassadeurs de vos produits ou services. Ces
derniers pourront alors véhiculer une image positive de votre marque et
augmenter vos ventes, ce qui vous attirera de nouveaux clients.

69 Rapport annuel 29 avril 2025

• Pour votre entreprise, cela signifie également une meilleure
fidélisation de la clientèle, et bien sûr une expérience client
améliorée. La gestion relation client et la stratégie marketing et
commerciale seront encore plus efficaces, car vous pourrez vous
appuyer sur des relais pour diffuser vos offres à vos clients et
obtenir des remontées d’information sur l’expérience vécue.

70 Rapport annuel 29 avril 2025

 Les avantages du Big Data pour les entreprises
• Faire appel au Big Data en entreprise compte bien des avantages. En l’occurrence, il permet de prendre
des décisions stratégiques afin de répondre précisément aux besoins des clients. Utiliser le Big Data à des
fins marketing s’avère donc particulièrement pertinent.

➢ Mieux vous connaîtrez votre cible, plus votre offre sera personnalisée. Vous viserez au plus juste dans
votre relation client.

➢ En matière de production, le Big Data est un excellent moyen de mieux rationaliser ses coûts. En effet,
une analyse des données vous permet d’améliorer vos processus, de mieux gérer vos ressources et votre
stock.

➢ De la même façon, cela impacte vos ventes, puisque le Big Data vous offre la possibilité de créer des
schémas d’achat précis. Vous pouvez mieux agencer votre magasin ou réaliser des grilles tarifaires
adaptées, par exemple.

71 Rapport annuel 29 avril 2025

 Les risques du Big Data pour les entreprises
✓ Malgré ces nombreux atouts, le Big Data compte quand même quelques risques. Le premier
étant le risque de déshumanisation. Toutes ces informations collectées peuvent donner le
sentiment au client qu’il ne peut rien cacher à cette nouvelle science. Cela peut s’avérer
perturbant, voire pire, intrusif.

✓ En outre, plus le volume de données stockées est conséquent, plus la sécurité est en enjeu
crucial. Le risque zéro n’existe pas. Aussi, les clients peuvent être parfois inquiets lors du
processus d’achat. Enfin, notons que même si vous collectez d’importants volumes de
données pertinentes, il faut faire attention à bien les interpréter. Une mauvaise analyse peut
mal vous orienter et vous faire prendre de mauvaises décisions.

72 Rapport annuel 29 avril 2025

L'ANALYSE DU BIG DATA ET SON IMPACT SUR LA STRATÉGIE
MARKETING
• L'analyse des mégadonnées est le processus d'évaluation et d'extraction de conclusions à partir
d'ensembles de données massifs et complexes afin de découvrir des modèles, des tendances,
des corrélations et d'autres détails importants qui peuvent être utilisés pour prendre des décisions
éclairées.
• L'analyse du Big Data convertit essentiellement les données brutes en connaissances perspicaces
qui favorisent l'innovation, l'efficacité et la compétitivité dans un large éventail de secteurs.
• Au fur et à mesure que la technologie progresse, ses applications évoluent également, ce qui en
fait un outil essentiel pour les entreprises qui cherchent à exploiter la puissance des données pour
atteindre des objectifs tactiques et stratégiques.
• Tous les secteurs utilisent l'analyse des mégadonnées, comme la finance et la banque, la santé et
les sciences de la vie, la vente au détail, le marketing, les télécommunications, le transport et la
logistique, l'assurance, et bien d'autres.

73 Rapport annuel 29 avril 2025

 Permet aux entreprises de développer une compréhension plus
approfondie de leurs opérations, de leurs clients et de leurs
marchés, améliorant ainsi la productivité, la prise de décision
et la compétitivité.

En étudiant les données opérationnelles, les entreprises

peuvent identifier les goulots d'étranglement, les inefficacités
et les domaines à améliorer.

Cette optimisation peut permettre de simplifier les processus,

de réaliser des économies et d'améliorer la gestion des
ressources.

74 Rapport annuel 29 avril 2025

• L'analyse du Big Data favorise l'innovation en mettant en évidence les exigences et les
lacunes du marché.
• Les entreprises sont en mesure de repérer les nouvelles tendances, d'évaluer la viabilité de
biens et de services innovants et de modifier leurs gammes de produits pour répondre aux
besoins changeants des consommateurs.
• En donnant aux spécialistes du marketing des informations auparavant inaccessibles sur le comportement,
les goûts et les tendances du marché, l'analyse du Big Data a complètement transformé le secteur du
marketing
• Cette transition a permis:

Mettre en œuvre des tactiques marketing plus efficaces et ciblées

Améliorant l'engagement des consommateurs,

Un retour sur investissement et les performances globales de

l'entreprise.
75 Rapport annuel 29 avril 2025
 Les entreprises sont désormais en mesure de prendre
de meilleures décisions, de maximiser leurs efforts de
marketing et de développer des campagnes très
ciblées, grâce à cette stratégie axée sur les données.

76 Rapport annuel 29 avril 2025

 Voici quelques-unes des façons dont la stratégie marketing a été impactée par
l'analyse du Big Data :

1. Connaissance et segmentation des clients

➢ Grâce à l'analyse du Big Data, les entreprises peuvent collecter et examiner des tonnes
d'informations sur leurs clients à partir de diverses sources, notamment les médias sociaux,
les achats en ligne et les habitudes de navigation.
➢ En fonction de leurs données démographiques, de leurs comportements et de leurs intérêts,
les données peuvent être utilisées pour classer les clients en groupes plus précis et plus
utiles.
➢ Il en résultera des taux d'engagement et de conversion plus élevés, car les spécialistes du
marketing pourront ensuite personnaliser leurs messages et leurs offres pour chaque
segment.

Les outils d'analyse de données utilisés pour élaborer des stratégies marketing sont les
analyses descriptives, diagnostiques, prédictives et prescriptives.

77 Rapport annuel 29 avril 2025

2. Personnalisation
➢ En utilisant l'analyse du Big Data, les spécialistes du marketing peuvent offrir aux clients des
expériences plus personnalisées.

➢ Les entreprises peuvent fournir des recommandations de produits et du contenu pertinents

qui augmenteront le bonheur et la fidélité des clients en apprenant à connaître les
préférences et les habitudes d'achat de chaque client.

➢ L'analyse des données peut être utilisée par une entreprise qui vend des produits de fitness
pour déterminer que sa clientèle principale est composée de femmes âgées de 18 à 35 ans
qui vivent dans des zones urbaines et qui s'intéressent aux tendances en matière de santé et
de remise en forme. Après avoir recueilli ces données, ils peuvent les utiliser pour développer
des promotions et des efforts de marketing qui s'adressent spécifiquement à ce groupe.

78 Rapport annuel 29 avril 2025

3. Modélisation prédictive
Elle permet aux spécialistes du marketing d'anticiper les tendances et les comportements futurs. Les
entreprises peuvent optimiser la gestion des stocks, les lancements de produits et les campagnes
promotionnelles en analysant les données historiques pour prédire les demandes et les préférences des
clients.
4. Analyse en temps réel : Les spécialistes du marketing ont accès à des informations en temps
réel pour suivre le succès de leurs initiatives publicitaires. Cela leur permet de modifier rapidement leurs
tactiques s'ils n'obtiennent pas les résultats escomptés.
Par exemple, les spécialistes du marketing peuvent rapidement modifier le contenu ou le ciblage d'une
campagne sur les réseaux sociaux si l'engagement n'est pas généré. Un service de streaming comme Netflix,
par exemple, suit les habitudes de visionnage des clients à l'aide d'analyses en temps réel et propose des
recommandations personnalisées de films ou de programmes télévisés en fonction de leurs goûts actuels.
5. Marketing Mix amélioré : Le Big Data permet d'identifier la répartition la plus efficace des
ressources entre les différents points de vente. Les entreprises peuvent allouer des ressources aux canaux
qui offrent le meilleur retour sur investissement en analysant les données sur les interactions et les
conversions des consommateurs.

79 Rapport annuel 29 avril 2025

6. Cartographie de l'expérience client : Pour un marketing efficace, il est essentiel de
comprendre l'expérience client dans son ensemble. Les points de contact avec lesquels un client s'engage
avant d'effectuer un achat peuvent être cartographiés par les spécialistes du marketing à l'aide de l'analyse
du Big Data. Cette prise de conscience permet de concevoir une expérience fluide et constante tout au long
du parcours.

EXEMPLE: Prenons l'exemple d'un détaillant de mode en ligne qui souhaite améliorer l'expérience client. Le
magasin recueille des informations provenant de nombreuses sources. Ensuite, les clients sont segmentés à
l'aide d'outils d'analyse en fonction d'une variété de caractéristiques. Les clients qui ont laissé leur panier
sans surveillance, par exemple, peuvent recevoir des rappels personnalisés par e-mail avec des remises
exclusives sur les tenues de soirée. Les clients qui achètent fréquemment des vêtements décontractés
peuvent voir des publicités sur les médias sociaux mettant en évidence les dernières tendances de la mode
décontractée.

80 Rapport annuel 29 avril 2025

7. Analyse concurrentielle : Le Big Data peut être utilisé pour suivre les tendances du marché
et les actions des concurrents grâce à l'analyse concurrentielle. Les entreprises peuvent en
apprendre davantage sur les forces et les faiblesses de leurs rivaux en examinant les mentions
sur les médias sociaux, les commentaires des clients et les informations sur les prix. Ces
informations leur permettent de modifier leurs tactiques. SEMrush est un outil complet de
référencement et de SEM qui offre des informations sur les classements, l'analyse de la
concurrence, les stratégies publicitaires, etc.

8. Innovation et développement de produits : L'examen des préférences du client à partir de

sources de données à grande échelle peut orienter l'innovation et le développement de produits.
Les entreprises peuvent repérer les opportunités de nouveaux produits ou les domaines d'amélioration,
augmentant ainsi leur avantage concurrentiel.
9. Attribution marketing : l'analyse du Big Data permet aux spécialistes du marketing de relier avec
précision des initiatives marketing particulières aux conversions et aux ventes. Comprendre quelles
campagnes publicitaires ou quels canaux de distribution génèrent le plus de revenus est essentiel pour une
allocation optimale des ressources. Mixpanel est un outil d'analyse des utilisateurs qui s'intéresse
principalement à la surveillance des interactions des utilisateurs au sein des applications en ligne et mobiles.
Cela aide à déterminer la réponse des clients sur le marché.

81 Rapport annuel 29 avril 2025

10. Réduction des risques : En analysant les données, les entreprises peuvent repérer à
l'avance les risques et les difficultés potentiels. Par exemple, la recherche sur les sentiments sur
les médias sociaux peut aider à identifier et à contrôler les problèmes de relations publiques
négatifs avant qu'ils ne s'aggravent. En utilisant des technologies d'analyse, la boutique peut
effectuer des tests A/B pour identifier les stratégies marketing les plus efficaces.

Conclusion:
L'analyse du Big Data a révolutionné la stratégie marketing en permettant des expériences personnalisées,
en approfondissant les informations sur le comportement des clients, en optimisant les campagnes et en
améliorant la prise de décision globale. Au fur et à mesure que la technologie se développe, les
mégadonnées continueront de jouer un rôle plus important dans la détermination de la façon dont les
tactiques de marketing sont développées.

82 Rapport annuel 29 avril 2025