Data marketing : statistiques appliquées au marketing avec Excel et R

Auteur(s) :

Trelohan, Magali (1982-....) Découvrir l'auteur

Résumé

L'ouvrage présente une démarche pour la mise en oeuvre d'une stratégie data marketing au sein d'une organisation. Il propose des clés pour l'auditer, collecter des données et les analyser avec Excel et R. ©Electre 2018

Éditeur(s)
- ENI
Date
- 2018
Notes
- Bibliogr. p. 253-255. Index
Langues
- Français
Description matérielle
- 1 vol. (261 p.) : ill. ; 21 cm
Collections
- Marketing book (Saint-Herblain)
Sujet(s)
ISBN
- 978-2-409-01485-7
Indice
- 655.7 Marketing direct, E-marketing
Quatrième de couverture
- Data Marketing
  Statistiques appliquées au marketing avec Excel et R
  Cet ouvrage s'adresse aux managers marketing et commerciaux soucieux de développer une stratégie de data marketing au sein de leur organisation (entreprise, service public ou association). Il aborde de manière simple et pragmatique l'intérêt de la data marketing et explique comment la mettre en oeuvre au quotidien à l'aide d'Excel et de R.
  Le premier chapitre réconciliera les marketers et managers commerciaux avec le langage des data scientists et des DSI en présentant les concepts et mécanismes-clé de l'univers data (big data, data mining, smart data, open data, SGBDR, bases de données, NoSQL, mapreduce, data lakes, etc.).
  Le chapitre suivant offre des clés pour auditer le système data, collecter des données et nettoyer les bases de données avant d'effectuer une analyse descriptive de ces données avec Excel et R. Vous commencerez par des analyses simples et apprendrez à les manier de manière robuste d'un point de vue statistique.
  Le chapitre suivant traite du marketing prédictif : que peut-il se passer dans le futur ? Les calculs statistiques plus complexes présentés dans ce chapitre vous apprendront à classifier vos données en vue de les segmenter, à utiliser des modèles de régression et les méthodes de scoring.
  C'est ensuite le marketing prescriptif qui est abordé : que devrions-nous faire ? Il s'agit de mettre en place une expérimentation puis d'analyser les résultats statistiques.
  Dans le dernier chapitre, nous vous proposons quelques clés de communication et pistes de data visualisation et de data storytelling pour vous aider à diffuser au mieux votre stratégie au sein de votre entreprise.
  De chapitre en chapitre, l'auteur propose une démarche pour structurer la mise en place d'une stratégie data marketing mais vous pourrez également « piocher » l'information, en fonction de vos besoins, dans l'un ou l'autre des chapitres. De nombreux exemples permettent de s'approprier les différents tests statistiques proposés. Le choix des logiciels d'analyse (Excel et R) repose sur leur accessibilité. R est un logiciel gratuit en open source et une référence dans le monde des statistiques. S'il peut être perçu comme complexe, l'auteure s'est attachée à le présenter de manière simple et abordable. Des outils ergonomiques et facilitant l'usage de R comme RStudio et Rcmdr sont également proposés.
Tables des matières
- - Data Marketing
  - Chapitre 1
    Les data, pour quoi faire ?
  - A. Introduction11
  - B. Data mining, big data, smart data, open data : comprendre l'univers des data12
  - 1. L'arrivée des data dans la gestion des entreprises12
  - a. L'exemple de la distribution13
  - b. Le développement des entreprises d'études de marché14
  - 2. Comprendre les termes data17
  - a. Le data mining17
  - b. Le big data18
  - c. Le smart data22
  - d. Les open data22
  - 3. L'intelligence artificielle23
  - a. Qu'est-ce que l'IA est et n'est pas ?24
  - b. Application de l'IA : le marketing automation25
  - c. Application de l'IA : les chatbots26
  - d. Application de l'IA : la reconnaissance faciale26
  - 4. La réalité virtuelle26
  - C. Les acteurs du data marketing27
  - 1. Le chief data officer (CDO)27
  - 2. Le data scientist/analyst27
  - 3. Le data protection officer (DPO)28
  - 4. Le data marketer28
  - D. Data et marketing : quelles finalités ?28
  - 1. Stratégie d'entreprise et data marketing29
  - a. L'itération entre stratégie d'entreprise, stratégie marketing et stratégie data29
  - b. Pas de stratégie data sans objectifs Smart30
  - 2. Les data au sein du plan marketing31
  - 3. Analyser la demande : comprendre ses clients actuels et potentiels32
  - a. Les études de marché traditionnelles32
  - b. Les échanges spontanés entre consommateurs32
  - c. Les mesures comportementales33
  - 4. Analyser la concurrence34
  - 5. Mettre en place une stratégie : segmentation et ciblage35
  - 6. Optimiser ses actions marketing : le bon produit, au bon prix, au bon endroit avec la bonne communication et les bonnes actions commerciales37
  - a. Rappels sur le marketing mix37
  - b. Le produit39
  - c. Le prix40
  - d. La distribution41
  - e. La communication44
  - Chapitre 2
    Les outils du data marketing
  - A. Introduction49
  - B. Structurer et analyser ses données50
  - 1. Excel : usages et fonctionnalités50
  - a. Visualiser rapidement la moyenne, le nombre et la somme d'une variable50
  - b. Filtrer les données51
  - c. Trier les données52
  - d. Figer les volets53
  - e. La mise en forme conditionnelle55
  - f. Le tableau de contingence : le tableau croisé55
  - g. Convertir57
  - 2. R : Prise en mains61
  - a. L'installation de R61
  - b. RStudio64
  - c. Définir le répertoire de travail65
  - d. Télécharger un fichier de données dans R66
  - e. Ouvrir un onglet de script69
  - f. Installer et charger des packages70
  - g. Le package Rcmdr71
  - C. Gérer les big data74
  - 1. La problématique de l'analyse de logs pour comprendre les comportements des consommateurs en ligne75
  - 2. L'univers Hadoop76
  - a. Naissance et enjeux d'Hadoop76
  - b. Le principe MapReduce77
  - c. Hadoop, un framework puissant, mais demandant un niveau de technicité élevé78
  - d. Les briques Hadoop78
  - 3. Les big data dans R79
  - a. Hadoop dans R79
  - b. Traitements statistiques de big data dans R80
  - Chapitre 3
    Auditer son système marketing
  - A. Collecter des données85
  - 1. Le type de données et ce que l'on peut en faire85
  - a. Les données structurées85
  - b. Les données non structurées87
  - 2. La richesse de vos données90
  - a. Les sources d'information en interne90
  - b. Type d'informations disponibles en interne91
  - 3. Les données externes91
  - a. Open data91
  - b. Données de panel92
  - c. Données de tracking92
  - B. Stocker ses données93
  - 1. Faire un état des lieux de ses données93
  - 2. Les solutions techniques93
  - 3. Vision à 360° du client : DMP, data lakes94
  - a. Les data management plateform (DMP)94
  - b. Les data lakes94
  - c. Est-ce pour mon entreprise ?95
  - C. Nettoyer ses bases de données95
  - 1. Qu'est-ce qu'une base de données propre ?96
  - 2. Pourquoi « nettoyer » sa base de données ?96
  - a. Éviter la perte de temps96
  - b. Ne pas renforcer ou susciter de la résistance à une stratégie data-driven96
  - c. Faciliter la communication entre les différents outils de data97
  - d. Ne pas nuire à la relation client97
  - 3. Comment procéder (les données manquantes, la clé d'identification, les données anormales) ?97
  - a. Définir l'unité statistique d'analyse98
  - b. Adopter une logique de table99
  - c. Supprimer les variables inutiles100
  - d. Donner une clé unique à vos sujets100
  - e. Visualiser ses données dans R100
  - f. Effectuer quelques tests statistiques basiques pour s'assurer que les variables soient bien définies101
  - g. Supprimer les doublons101
  - h. Nommer les variables de manière efficace105
  - i. Coder les variables de manière efficace105
  - j. Traiter les données manquantes107
  - k. Traiter les données anormales ou aberrantes (les outliers)110
  - Chapitre 4
    Que s'est-il passé ? L'analyse descriptive des données et le diagnostic
  - A. Introduction115
  - B. Choisir ses KPI115
  - 1. Plan : planifier les actions marketing et les objectifs116
  - 2. Do : la phase d'action117
  - 3. Check : la phase d'analyse et de diagnostic117
  - 4. Act : ajuster les actions ou poursuivre sur la même voie117
  - C. Analyse univariée : étudier les variables une à une118
  - 1. La tendance centrale119
  - a. La moyenne119
  - b. La médiane120
  - c. Le mode122
  - 2. La dispersion126
  - a. La variance126
  - b. L'écart-type128
  - c. La fréquence129
  - d. L'étendue, le minimum et le maximum131
  - e. La fractile (quartile)132
  - f. Un outil de visualisation des principaux indices : la boîte à moustaches133
  - 3. L'intervalle de confiance137
  - D. Analyse bivariée : faire des rapprochements entre deux variables138
  - 1. Deux variables qualitatives138
  - a. Créer un tableau de contingence dans R138
  - b. Test du Khi-deux dans R140
  - 2. Deux variables numériques : la corrélation142
  - a. La covariance143
  - b. Le coefficient de corrélation linéaire146
  - c. La significativité du coefficient de corrélation linéaire148
  - 3. Deux variables ordinales149
  - a. Le coefficient de corrélation de Spearman150
  - b. La significativité du coefficient de corrélation de Spearman151
  - 4. Test de comparaison de moyennes152
  - a. Préalable statistique à la comparaison de moyenne153
  - b. Test de comparaison de moyennes : t de Student154
  - E. Conclusion157
  - Chapitre 5
    Que peut-il se passer dans le futur ? Le marketing prédictif
  - A. Introduction161
  - B. La classification : segmenter ses clients ou ses prospects161
  - 1. La classification, une des méthodes d'analyse multivariée162
  - 2. Méthodologie162
  - 3. Étape 1 : Analyse en composantes principales163
  - a. La matrice des coefficients de corrélation164
  - b. Réalisation de l'ACP sous R164
  - c. Interprétation des dimensions168
  - 4. Étape 2 : la classification ascendante hiérarchique169
  - a. Regroupement des individus par classes169
  - b. Réalisation de la Classification Ascendante Hiérarchique (CAH) sous R169
  - c. Lecture des résultats de la CAH173
  - C. Les modèles de régression178
  - 1. Méthodologie178
  - a. Prévoir le prix de vente d'un bien immobilier : valeur continue et régression multiple178
  - b. Prévoir l'achat de glaces : valeur catégorielle et régression logistique181
  - 2. Application pratiques184
  - D. Le scoring184
  - 1. Data mining et scoring185
  - 2. Applications des méthodes de scoring186
  - a. Score de risque186
  - b. Score d'appétence186
  - c. Score d'attrition187
  - 3. Les différents types d'analyses187
  - 4. Le scoring par régression logistique188
  - a. La régression logistique binaire188
  - b. Mise en oeuvre du scoring par la régression logistique binaire dans R189
  - E. Conclusion198
  - Chapitre 6
    Que devrions-nous faire ? Le marketing prescriptif
  - A. Introduction201
  - B. À quelles problématiques répond le marketing prescriptif ?202
  - C. Mettre en place une expérimentation204
  - 1. Conditions réelles ou en laboratoire204
  - a. L'expérimentation en laboratoire204
  - b. L'expérimentation en conditions réelles205
  - 2. Les éléments à considérer pour mettre en place une expérimentation205
  - a. Les traitements à comparer206
  - b. Les critères d'évaluation de ces traitements206
  - c. Les variables externes207
  - d. Les sujets207
  - 3. La validité de l'étude208
  - a. La validité interne et externe208
  - 4. Les biais à contrôler208
  - a. Les effets des paramètres extérieurs à l'expérimentation208
  - b. L'effet de sélection208
  - c. L'effet d'histoire209
  - d. L'effet de maturation209
  - e. L'effet de test209
  - f. L'effet d'instrumentation209
  - g. L'effet de mortalité expérimentale210
  - h. L'effet de halo210
  - 5. Les plans d'expérience210
  - a. Le plan post-traitement211
  - b. Le plan pré et post-traitement212
  - c. Le plan de Solomon212
  - d. Le plan factoriel complet213
  - e. Plan factoriel à blocs aléatoires213
  - f. Plan en carré latin ou en carré gréco-latin215
  - D. Analyser les résultats215
  - 1. Quelques préalables215
  - a. Qu'est-ce qu'un résultat significatif ?215
  - b. Mes données suivent-elles une loi normale ?216
  - c. Les variances sont-elles égales entre les populations ?219
  - 2. Comparaison de deux moyennes220
  - 3. Analyse de variance (ANOVA)222
  - a. ANOVA à un facteur222
  - b. ANOVA à plusieurs facteurs225
  - c. MANOVA229
  - E. Conclusion230
  - Chapitre 7
    Comment communiquer ? Règles de base, data visualisation et data storytelling
  - A. Introduction233
  - B. Quelques règles basiques pour bien présenter sa stratégie data-drive234
  - 1. Communiquer sur ses données : quels éléments-clé prendre en compte ?234
  - a. L'émetteur du message234
  - b. Le message235
  - c. Les interlocuteurs235
  - d. Les canaux235
  - e. Quels effets ?236
  - 2. Le traitement des messages : que se passe-t-il chez mon interlocuteur quand je communique ?236
  - C. Les outils de la data visualisation238
  - 1. Quelle est l'idée-clé de mon graphique ?240
  - 2. Quelles données sont les plus pertinentes pour démontrer mon idée ?240
  - 3. Quelle représentation graphique est la plus adaptée ?240
  - 4. Applications dans Excel241
  - D. Le data storytelling244
  - 1. Écrivez votre fil conducteur244
  - 2. Accrocher votre public244
  - 3. Plantez votre décor245
  - 4. Ne faites pas trop de teasing245
  - 5. Ne vous perdez pas dans les détails245
  - 6. Ayez une chute efficace245
  - 7. Inventez un personnage245
  - E. Conclusion246
  - Chapitre 8
    Conclusion
  - A. 6 éléments-clé de la réussite de votre stratégie data-driven249
  - 1. Construire une culture data-driven249
  - 2. Travailler en équipe249
  - 3. Le pragmatisme et le bon sens orienté client250
  - 4. La plus-value des data250
  - 5. Commencer simple mais efficace250
  - 6. Avoir une attitude responsable vis-à-vis des données251
  - Bibliographie253
  - Index257
Origine de la notice:
- FR-751131015 ;
- Electre