How Artificial Intelligence is Changing the Face of eCommerce Industry


September 26, 2015 by


eCommerce is one dynamic sector that has revolutionized the way a consumer shops for goods and services in a mobile world. The basic goal of every eCommerce company is to bring the best of offline shopping experience to the online space, by offering the consumers a seamless way to discover the products they are looking for.

The avenue is taking a big leap towards becoming the facilitator of a more efficient, personalized, even automated customer journey with the introduction of cognitive technologies and the employment of ‘smart data’. Today, the most important area of focus in eCommerce is hyper personalization which could be facilitated only by learning consumer behaviour and making predictive analyses with the help of the huge amount of data collected from user activities on smartphones, tablets and desktops, and intelligent algorithms to process them.

Machine learning and artificial intelligence are no more restricted to personal assistance technology, smartphone companies are creating. They have flouted these conventions to disrupt a much wider space with limitless possibilities. One of the areas radically transformed by AI is eCommerce.

AI in eCommerce is Already Moving Forward

Following are a few key areas in eCommerce which can be transformed by the application of Artificial Intelligence, some of them are already in existence-

Visual Search and Image Recognition

(Image Source)

It is an AI driven feature that enables users to discover what they want at the click of a button. All one has to do is, take a picture of what one likes and put it on the search bar of the eCommerce platform. The engine would then search through all the possible matches, rank them and prioritize them before placing the options before the user.

Product Recommendation

Recommendation is widely practiced by eCommerce companies to help customer find the best of what they are looking for. Recommendation algorithms work in multiple ways. For example, recommends its users depending on their activities on the site and past purchases. Netflix recommends DVDs in which a user may be interested by category like drama, comedy, action etc. eBay on the other hand collects user feedback about its products which is then used to recommend products to users who have exhibited similar behaviours. And this continues to evolve with several permutations and combinations in place.

Intelligent Agent

At present, Intelligent Agent negotiation system has become a popular tool used in eCommerce with the development of artificial intelligence and Agent Technology. The three main functions performed by this automated agent are:

  • matching buyers and sellers (determination of product offerings, search of buyers for sellers and sellers for buyers, price discovery)
  • facilitating transactions (logistics, settlement, trust)
  • providing institutional infrastructure (legal, regulatory)

These agents are fully automated and have control over their actions and internal state. They interact via an agent communication language. Further, they not only act in response to their environment but are also capable of taking initiatives like generating their own targets and act to achieve them.

Assortment Intelligence Tool

Consumers are forcing retailers to alter pricing strategies, so it is imperative for multichannel retailers to be flexible with their price structuring in order to retain their customers. To do the same, they are employing Assortment Intelligence, a tool that facilitates an unprecedented level of 24/7 visibility and insights into competitors’ product assortments. Retailers can keep a tap on their competitors’ product mix, segmented by product and brand, percentage of overlap, which gives them the ability to quickly adjust their own product-mix and pricing with high accuracy.

Voice Powered Search

In December 2014, Baidu unveiled speech recognition technology dubbed “Deep Speech.” Although the technology is still nascent, once it is developed optimally, it can make shopping literally interactive, enabling the customer to have a real time seamless voice conversation with the virtual shopping assistant on the eCommerce platform.

Employment of AI in Indian eCommerce

In case of India, eCommerce biggies like Flipkart, Snapdeal and Amazon are proactively investing fortunes in AI research and development. Apart from intelligent chat facilities, these companies have introduced image recognition feature to their platforms which is attributed to deep learning.

According to Sachin Bansal, CEO, Flipkart, artificial intelligence is a key differentiator in the fiercely competitive business of online retail. He believes, “the big disruption that is happening across the world is the rise of artificial intelligence.” Therefore, by combining social, mobile, big data analytics and AI, Flipkart attempts to build human brain-like capabilities to sell smarter to its more than 45 million registered online buyers. Recently, the company launched its messaging service on its app, called Ping. It serves as a shopping assistant embodying artificial intelligence, to help users easily discover the item they are looking for on its platform.

Likewise, Flipkart has just announced that it is working on automating its supply chain to reduce shipment time and increase accuracy to ensure zero customer complaint. Confirming the news, Adarsh K Menon, VP, Business Development said, “We want to use data smartly and intelligently at our backend for personalisation in customer offerings, service offering, supply chain offerings. We have regular customer base of 45 million. We will use technology, look at buying behaviour and preferences of customers and then personalized our offerings. If we use data, which is available with us, intelligently, we will be able to give best shopping experience to customers”.

Further, Flipkart owned Myntra is too is reportedly set to introduce apparels designed with the help of data science and artificial intelligence. The company has developed a smart bot that accumulates fashion-related information from across the online world by crunching a large amount of data centered around consumer demand in real time. Commenting on the same, Ganesh Subramanian, head of new initiatives at Myntra, maintained, “There is a big, emerging trend among internet companies which have accumulated tons of data to use it for personalization. Our platform is disrupting the current way of expert-based fashion forecasting as it is 100% tech-backed.”

Snapdeal is reportedly investing $100 million into a new multimedia research lab in Bangalore. The company’s app- findmystyle employs image recognition technology and machine learning algorithms, to make search results faster, accurate and tuned to the specific consumers.

The Way Ahead-

It would be an understatement if we say, “Artificial Intelligence is the next big thing”, for it is already here, and of course, with a bang!

Tech juggernauts across the world are advancing at an incredibly impressive pace towards the crux of this technology. Google for example, is conducting a highly advanced research on AI called Thought Vectors, in an attempt to infuse common sense into machines. Similarly, Apple, Facebook and Microsoft are working on their respective projects on AI development.

Expressing himself on the future scope of Artificial Intelligence in eCommerce, Navneet Sharma, Co-Founder & CEO of AI-linked startup Snapshopr, maintains, “Not very far from today, eCommerce apps will know in advance know what you need and will order them automatically for you.” Adding further, he stated with conviction that nothing is impossible with AI. It’s only limited by time and computing resources.

Twitter est-il vraiment la « boule de cristal » des marchés financiers ? – Rue89 – L’Obs

Twitter est-il vraiment la « boule de cristal » des marchés financiers ? – Rue89 – L’Obs.

C’est un article des Echos qui a provoqué le courroux de Thomas Renault, doctorant en économie, qui anime le blog Captain Economics.

« Comment Twitter est devenu la boule de cristal des marchés financiers, » annonce tout de go, le 31 juillet, le quotidien de l’économie. S’ensuit une mignonne infographie sur les « tweets qui ont fait réagir les marchés » – comme celui posté par le compte piraté d’Associated Press annonçant une explosion à la Maison-Blanche – et un papier qui tend à montrer que le réseau social est « devenu la miss météo des marchés ».

A l’appui de la démonstration, Les Echos citent une étude de Bollen, Mao et Zeng, chercheurs à l’université de l’Indiana et de Manchester, qui, en 2010, ont montré que les données de Twitter pouvaient prédire l’évolution du Dow Jones avec 87,6% de fiabilité [PDF]. Autre étude, même effets : des économistes de l’université de Californie ont trouvé une « corrélation importante entre le nombre de transactions d’un titre et le nombre de “composants raccordés” – c’est à dire le nombre de posts liés à des sujets distincts concernant la même entreprise » [PDF].

Bref, tout cela a pour but de montrer qu’il est possible de « sentir » les états d’âme – irrationnels ou non – des investisseurs de toute farine à partir de l’analyse d’une masse de signes papillonnants (les tweets). Tout cela semble validé par une étude récente de la Banque centrale européenne (BCE) [PDF].

Sauf que.

Méthodo ?

Thomas Renault, qui prépare une thèse sur le sujet et dont les posts sont relayés par le très libéral site Contretemps ainsi que par divers organes de presse, appelle à la prudence.

En préalable, il donne un petit cadre conceptuel à sa critique : deux visions pourraient expliquer le rôle de Twitter sur l’évolution des marchés. La première se base sur la théorie informationnelle : l’idée que l’information publiée sur Twitter n’est pas encore intégrée dans la formation des prix. Elle est fondamentalement nouvelle. Ainsi, l’arrivée de Twitter modifie de manière permanente la formation de ces prix. La seconde se rapproche de la théorie « sentimentale » : le prix d’un actif peut dévier de son niveau d’équilibre en fonction du sentiment d’investisseurs « naïfs ». Twitter sert justement à mesurer ces craintes ou enthousiasmes.

Bon. Mais cela ne remet pas en question la pertinence des études citées plus haut. Cette critique constitue la deuxième partie de la note de Thomas Renault.

Argument numéro 1 : l’étude de Bollen, Mao et Zeng, qui prédit avec 87,6% de fiabilité l’évolution du Dow Jones n’est pas si béton que cela :

« La précision du modèle est testée “out-of-the-sample” sur une période allant du 1er décembre 2008 au 19 décembre 2008, soit 15 jours de trading ! 15 jours, en données daily (donc une étude sur 15 points) ! De plus cette étude ne s’intéresse pas au rendement d’une stratégie de trading basée sur Twitter, mais simplement à une prévision de la direction du marché (est-ce que le marché va monter ou bien est-ce qu’il va baisser). Pour finir, 6 modèles différents sont testés et le résultat mis en avant est celui du meilleur modèle, ce qui a tendance à clairement biaiser les résultats (en testant un grand nombre de stratégies purement aléatoires sur un nombre de points limités, la meilleur stratégie aura statistiquement une précision proche de 100%…). »

Argument numéro 2 : l’étude de la BCE n’est en réalité pas une étude de la BCE. C’est même précisé au début : « Ce papier ne représente pas les vues » etc. Il est signé par deux des auteurs (Bollen et Mao) de l’étude précédente.

Argument numéro 3 : corrélation n’est pas causalité.

« Dans l’article des Echos, il est par exemple écrit “A l’époque, Bloomberg en avait également profité pour sauter le pas en ajoutant les messages Twitter à son offre de services financiers quotidiens. Dans les semaines qui suivent, les ‘ flashs crashs ’ s’enchaînent.” Alors oui, le fait que des algos de trading haute-fréquence puissent analyser en temps réel le contenu des tweets (et tout autre flux d’information – articles, blogs, forums…) pour prendre des positions peut en effet déstabiliser les marchés en augmentant la volatilité… Le Captain’ n’a rien contre cette hypothèse, mais comme toute hypothèse, il va falloir prouver cela empiriquement en “contrôlant” le tout pour considérer l’ensemble des autres explications possibles. »

Conclusion de Thomas Renault, qui cite à son tour des études moins tranchéessur la question :

« Les résultats empiriques sont pour le moment très mitigés. […] Twitter n’est clairement pas une “boule de cristal” permettant de prévoir les marchés, mais plutôt “un bon miroir” reflétant la situation présente. »

Le Tour de France à l’heure du Big Data

Le Tour de France à l’heure du Big Data, High tech.

Les données sont devenues le nerf de la guerre des équipes cyclistes. Bientôt, des vêtements scruteront les performances des coureurs.

Chris Froome, le maillot jaune du Tour de France est-il surnaturel ou se dope-t-il? La semaine dernière, une vidéo circulant sur Internet et montrant le coureur lors de son incroyable ascension du Mont Ventoux en 2013, associée à des statistiques, mesurant fréquence de pédalage, vitesse, puissance (mesurée en watts), et rythme cardiaque est venue jeter de l’huile sur le feu du dopage.

Pour couper court aux rumeurs, l’entraîneur Tim Kerrison, a dévoilé mardi une nouvelle série d’indicateurs sur les performances de son coureur. « Collecter les données et s’en servir, c’est un avantage compétitif [comme] dans tous les secteurs de l’économie », a-t-il lancé, rappelant l’importance prise par la technologie dans le vélo. « On n’a pas attendu 2015 pour faire du Big Data. Il y a 15 ans, on était en retard sur l’athlétisme ou la natation. Aujourd’hui, on est devant», explique Frédéric Grappe, directeur de la performance au sein de l’équipe Française des Jeux.

Capteurs nichés dans les pédaliers

Actuellement, les données mesurant les performances du coureur sont récupérées grâce à des capteurs nichés dans les pédaliers. Ces systèmes ont fait leur apparition au début des années 2000, au lendemain de l’affaire Festina, qui a obligé les équipes à réfléchir à l’amélioration des performances autrement que par la dopage. « Cela nous a permis d’avoir des réponses bio-mécaniques aux entraînements qu’on n’avait pas avant », dit Frédéric Grappe. En 15 ans, si le dopage n’a pas disparu, le principe du recueil de données s’est installé. Mais les capteurs se sont miniaturisés, et les données ont gagné en précision. Désormais, elles ne sont plus transmises par câble mais via ANT+, sorte de réseau Bluetooth spécifique, à un appareil situé sur le guidon, qui permet au coureur d’y accéder en temps réel. En revanche, réglementation oblige, l’équipe technique et les entraîneurs doivent attendre la fin de la course pour les étudier.

Pour la première fois, ils peuvent – en théorie – accéder en direct à la localisation précise de leurs coureurs, grâce à d’autres capteurs GPS installés sur les pédaliers. ASO a conclu en ce sens un partenariat avec Dimension Data. « C’est un défi technique d’identifier par de simples mesures la localisation des coureurs», dit son porte-parole Adam Foster.

Des vêtements et dans le futur un casque connecté

Les capteurs dans les pédales ne sont qu’un début. Dans un futur proche, les coureurs porteront des vêtements connectés. La start up Citizen Science commercialisera début 2016 en partenariat avec Cyclolab, un grand fournisseur d’équipement de vélo, un cuissard (la combinaison du coureur) intégrant GPS, capteur d’hydratation, de température corporelle, et indicateurs de posture, permettant de savoir comment sont positionnés les coureurs sur le vélo. « On l’a fait dans le basket, le foot et le rubgy », commente son fondateur Jean-Luc Errant. A terme, ce sont les réactions du cerveau qui pourraient être mesurées grâce à un casque adapté.

Alors que de manière récurrente – le Tour 2015 n’y échappe pas – revient le soupçon de moteurs cachés dans les selles ou dans les roues, la technologie devrait permettre d’améliorer sensiblement le vélo lui-même, en l’adaptant au coureur. Des capteurs pourraient permettre de mesurer la façon dont réagit le vélo, qui se déforme sous la pression du coureur. « C’est comme dans le saut à perche, si vous n’avez pas la bonne perche, vous ne passez pas la barre », dit Frédéric Grappe.

Actuellement, la réglementation n’empêche pas à la technologie de s’installer. En revanche, l’accès aux données en temps réel, et donc le téléguidage des coureurs est interdit. Souvent à la fin, c’est la technologie qui gagne. La preuve, l’oreillette s’est installée.

En savoir plus sur

Spotify: Une mappemonde des préférences musicales | JDM

Une mappemonde des préférences musicales | JDM.

Grâce au service de musique en continu Spotify, il est désormais possible d’avoir accès au palmarès musical caractéristique de plusieurs centaines de villes à travers le monde.
Présenté sous la forme d’une carte interactive, l’outil permet de sélectionner une des villes qui, elles, sont représentées par des points verts.
Une fois la ville choisie, l’internaute peut alors cliquer sur un lien menant à une liste des chansons qui la distinguent musicalement de toutes les autres villes.
Mais que veut-on dire par «distinguent»? Selon un article publié sur son blogue, Spotify explique que le son «distinctif» d’un endroit «est la musique que les gens y écoutent de façon notable, mais que les gens dans d’autres villes n’écoutent pas tant que ça. Et que cette musique fait donc d’eux des gens différents des gens partout ailleurs.»

Accelerating the Tour de France – a revolutionary viewing experience, powered by Dimension Data

Commencing in July this year at the Tour de France, Dimension Data will partner with A.S.O. to revolutionise the viewing experience of billions of cycling fans across the globe. Both organisations said their common goal in the coming years is to deliver and share the best race information speedily and in real-time with race commentators and the global viewing public.

Starting 4 July, Dimension Data’s Daily Data Wrap will comprise data highlights on the Tour de France riders. Data will include:

  • Stage winner’s top speed, average speed and time per kilometre;
  • Fastest riders up key climbs;
  • Speed of winner at the finish line;
  • Top speed achieved by a rider on the day;
  • Average speed across all riders;
  • Rider that spent the longest at the front of the race;
  • Time between first and last rider; and
  • Many other exciting data statistics uncovered during the three week event

Click here to register for the Daily Data Wrap, and for fans wanting real-time data updates, follow the ASO’s twitter feed on @letourdata.

This major innovation was made possible by Amaury Sport Organisation (ASO) in partnership with the 22 teams participating in the 2015 Tour de France. Highly accurate data will be collected through the use of live trackers under the saddle of each rider. Dimension Data will then process and analyse the data, and make it available to cycling fans, commentators, broadcasters and the media.

When the Tour de France begins on Saturday, the viewing public around the world will be able to follow all 198 riders in 22 teams real-time, and be able to track the speed at which each cyclist is riding, exactly where he’s positioned in the race in relation to other cyclists, and the distance between each rider – all via a beta live tracking website.

Dimension Data’s Executive Chairman, Jeremy Ord, said, “The technology will allow cycling fans to follow the race in ways they’ve never been able to before. Until now it was difficult to understand what was happening outside of what could be shown on the live television coverage. The ability to follow riders, get accurate information about which riders are in a group, and see real time speed are just some of the innovations that will be realised through this solution. During the duration of the three week race, we’ll be rolling out a range of new capabilities, including a beta live tracking website.”

The real time analytics solution will take the data provided by a third party geo localisation transmission component, undertake data cleansing and analysis, and provide access to this data as both a real time data stream, and a historical archive.

Ord said Dimension Data carried out testing during the Critérium du Dauphiné race which was held in France from 7 to 14 June. “We analysed one cyclist cycling at an astounding 104 kilometres per hour. This type of data has not been available in the past.”

All data analysed will be available through a beta live tracking website. This allows fans to select their favourite rider to follow, monitor the race on their phone or tablet (through a responsive design beta website) while they watch it live on the television, and gain access to additional data insights.

The 198 riders in 22 teams will generate 42,000 geospatial points and 75 million GPS readings. In addition, the live tracking website is built to support 17 million viewers and 2000 page requests per second. Data on riders will be processed in Dimension Data’s cloud platform across five continents consuming over 350 000 000 cpu cycles per second.

Brett Dawson, Dimension Data’s Group CEO said there are multiple layers to the innovation required to deliver the solution for ASO. We needed to implement cutting edge technology in the form of advanced real time analytics and a highly contemporary digital platform that’s able to provide innovative insights into the race that have never been available before.

“Dimension Data is bringing a new level of technical capability to the Tour de France in areas that will transform the technology landscape, including internet of things, real time big data analytics, Elastic Cloud Infrastructure, contemporary digital platforms, advanced collaboration technologies, and agile development practices. We’ll be their ‘Technical Tour de Force’.”

Christian Prudhomme, Tour de France Director said, “This top notch technological development will enable a better analysis of the race, highlight the race tactics, and also show how essential in this sport is each rider’s role within his team. It will now be possible to understand how to prepare for a sprint finish in the last few kilometres of a stage, feel the wind’s impact on the rider’s speed, and so much more. Our efforts combined with those of Dimension Data will permanently change the way we follow cycling and the Tour de France.”

From 2016 for the next four years, ASO and Dimension Data will work closely together to extend and enhance the platform to deliver a range of innovative end-user experiences.

Objets Connectés: Explication de la géolocalisation des coureurs sur le Tour 2015 (Source: RTBF)

Pour la première fois sur une course cycliste professionnelle, tous les coureurs engagés au départ du Tour seront équipés de capteurs capables d’envoyer en direct leur position GPS. Grâce au partenariat passé avec Dimension Data, le traitement et l’analyse de ces données permettront aux internautes et aux téléspectateurs de suivre le Tour avec un nouveau regard, plus complet, plus précis. Et l’expérience est appelée à s’enrichir avec les années…

Le passionné de cyclisme vit quelquefois une frustration à ne pas identifier avec certitude les différents groupes de coureurs, qu’ils soient échappés ou distancés par le peloton. Les moyens de géolocalisation qui existent et évoluent depuis plus de dix ans ont ouvert de nombreuses options pour obtenir une vision fidèle, en temps réel, de l’état de la course. En charge des systèmes d’information chez A.S.O., Pascal Queirel étudie justement ces questions et se souvient des premiers tests effectués : « En 2004, nous avions déjà placé des émetteurs sur des voitures qui suivaient les coureurs sur le chrono de l’Alpe d’Huez. Puis en 2008, c’est pour le Tour de Picardie que nous avons fait des essais sur les vélos, et un plus grand nombre de coureurs. Mais avec la transmission par GPRS, nous étions exposés à des pertes de réseaux, soit par saturation quand le public est trop nombreux, soit dans les traversées de zones non couvertes ». La possibilité d’acheminer les données par voie satellitaire ayant elle aussi été abandonnée, en raison du poids des émetteurs, c’est par les liaisons HF déjà utilisées par les signaux vidéo que circulent les informations : la première expérience à l’échelle d’un peloton entier a été menée sur Paris-Tours 2013.

En pratique, 500 « trackers » ont été conçus et fabriqués pour équiper les vélos du Tour de France 2015. Chacun de ses capteurs, qui pèse 80 grammes, est placé sous la selle d’un coureur  et dispose d’une autonomie de 5 étapes. Il émet un signal par seconde, et envoie sa position GPS par le biais de transmetteurs installés sur 25 véhicules (voitures, motos d’officiels et d’organisation) qui feront office de « puits de remontée », c’est-à-dire dirigeront les données vers l’avion-relais. En zone technique, le dispositif mis en place avec Dimension Data sert à centraliser, traiter et diffuser cette masse d’informations aux techniciens qui les mettent en forme, puis les placent à la disposition du public.

Pour cette première mondiale, l’objectif affiché sera de réunir et d’utiliser avec une fiabilité maximale les données provenant des 198 coureurs du peloton, sachant que les équipes cyclistes ont toutes choisi de tabler sur cette solution d’avenir et d’adhérer à ce projet. Dès lors, une page internet complémentaire de l’appli de tracking déjà existante sur letour .fr sera mise en ligne, avec des suivis de composition de groupes et d’écarts en direct. Des représentations graphiques sont également préparées pour les diffuseurs TV, qui pourront par exemple identifier sur l’instant les coureurs victimes d’une chute. Surtout, la technologie utilisée, qui enregistre toutes les données, rend aussi possible dans l’avenir la reconstitution  de séquences de course (sprints, attaques, etc.), par exemple en 3D. A suivre…

La Fnac s’adjoint l’expertise d’une start-up dans le domaine du Big Data prédictif: Plus value: +30% de chiffre d’affaire

La Fnac s’adjoint l’expertise d’une start-up dans le domaine du Big Data prédictif | L’Atelier : Accelerating Business.

Pour mieux cibler ses clients et optimiser ses ventes, la Fnac a décidé de mieux faire usage des données les concernant. En collaboration avec une start-up, le groupe s’appuie désormais sur un modèle prédictif.

Les start-ups se présentent comme des acteurs majeurs du Big Data, comme l’évoquait Mathias Herberts dans son entretien pour L’Atelier. Des entreprises avec lesquelles les grands groupes doivent impérativement rentrer en collaboration pour accroître leur efficacité et leur rentabilité, selon le fondateur de Cityzen Data. Une logique que le groupe FNAC a intégrée si l’on en croit son travail mené aux côtés de la start-up Tinyclues et présenté lors du salon du Big Data les  10 et 11 Mars dernier à Paris. Cette start-up est à l’origine de la création d’une plate-forme Saas (software as a service) permettant d’établir un modèle prédictif, en se basant sur les données récoltées par l’entreprise. Avec plus de 20 millions de clients et un nombre incalculable de données, la FNAC se devait d’optimiser le ciblage de ses campagnes, et ce en mettant à profit les données produites par les clients grâce au Big Data prédictif.

Un modèle probabiliste

En se basant sur des algorithmes de Machine Learning, la méthode élaborée par Tinyclues permet de cibler les clients beaucoup plus finement qu’avec le dispositifanciennement utilisé par la Fnac. Un ciblage qui permet d’identifier les bonnes cibles pour les campagnes marketing et ceci en un temps record: « Les utilisateurs ont accès au catalogue produit de la Fnac, il leur suffit ensuite de sélectionner des codes produits ou des marques et les résultats des ventes vont apparaître. Il sera facile et rapide de savoir que , par exemple, 100 coffrets Star Wars ont été vendus sur le dernier mois » explique David Bessis,  le fondateur de Tinyclues, ancien chercheur en mathématiques au CNRS. «Le modèle extrait la population correspondante sur laquelle vous pouvez ensuite effectuer un reporting, ajoute le chercheur, et ce afin de savoir à qui s’adresser pour vendre votre produit » Une méthode qui permet donc à la FNAC de procéder à une utilisation intelligente de ses données. Alors que les modèles précédents de ciblage s’appuyaient sur des règles assez simplistes, le modèle probabiliste de Tinyclues se base sur « des règles très fines qui, au lieu de regarder le comportement de l’utilisateur avec une grille de lecture très large en terme de rayon, va regarder le comportement de celui-ci en fonction des articles qu’il a précisément acheté. »

30% de chiffre d’affaire supplémentaire

La start-up apporte donc une réelle plus-value à la FNAC puisque la méthode est extrêmement  sophistiquée et «peut difficilement être mise en œuvre par une entreprise telle que la FNAC qui n’est pas une entreprise de technologie » selon David Bessis, la méthode a prouvé son efficacité puisque Tinyclues a présenté « 30% de chiffre d’affaire supplémentaire pour les campagnes ciblées via tinyclues.». En collaboration depuis 2014 avec le groupe de la FNAC, David s’étonne de la  maturation du marché du Big Data : « Il y a encore un an ou deux, à ce même salon Big Data, il s’agissait pour beaucoup de présenter des projets : c’est-à-dire des actions un peu ponctuelles, expérimentales » Aujourd’hui, Tinyclues travaille en partenariat avec des géants du e-commerce : «Notre premier grand client e-commerçant était un Pure Player historique : Priceminister qui possède une culture de l’innovation extrêmement forte ». David reconnaît néanmoins que certaines industries « sont encore beaucoup en mode projet en ce qui concerne le Big Data ». Néanmoins, cette situation ne devrait pas rester inchangée selon lui : « le fait que des gens comme la FNAC ou d’autres de nos clients comme les 3 Suisses, des entreprises avec un historique de la relation client beaucoup plus ancien et une tradition peut être légitimement plus précautionneuse sur l’environnement data soient prêtes aujourd’hui à utiliser notre solution est un signe que ça évolue ».

The Top 10 Big Data Challenges: 2 Technological vs 8 Cultural

The Top 10 Big Data Challenges [Infographic].

This week’s infographic looks at the top 10 challenges organizations face in capitalizing on Big Data, courtesy ofTata Consultancy Services.


tweet infographic

The Top 10 Big Data Challenges

1. Cutural: Getting business units to share information across organizational silos

2. Technological: Being able to handle the large volume, velocity and variety of Big Data

3. Cultural: Determining what data, both structured and unstructured, and internal and external) to use for different business decisions

4. Cultural: Building high levels of trust between the data scientists who present insights on Big Data and the functional managers

5. Cultural: Finding and hiring data scientists who can manage large amounts of structured and unstructured data, and create insights

6. Cultural: Getting top management in the company to approve investments in Big Data and its related investments (e.g., training)

7. Technological: Putting our analysis of Big Data in a presentable form for making decisions (e.g., visualization/visual models)

8. Cultural: Finding the optimal way to organize Big Data activities in our company

9. Cultural: Understanding where int he company we should focus our Big Data investments

10. Cultural: Determining what to do with the insights that are created from Big Data

Comment SFR repère ses clients voulant le quitter grâce au Big Data

Comment SFR repère ses clients voulant le quitter grâce au Big Data.

Technologie : L’opérateur au carré rouge analyse le comportement de ses clients en ligne afin d’anticiper d’éventuelles envies d’aller voir ailleurs. La méthode serait efficace puisque les trois-quarts des abonnés contactés renoncent à se désabonner.

Si le Big Data occupe l’esprit de très nombreuses directions informatiques, force est de constater que le retour sur investissement tarde à se concrétiser. Une étude récente de Capgemini Consulting montre en effet les initiatives Big Data ne sont que dans 27% des cas qualifiées de réussites. S’y ajoutent 8% qui n’hésitent pas à parler de franc succès. Pour les autres, les attentes n’ont donc pas été satisfaites.

Du côté des opérateurs télécoms, l’équation semble un peu différente. On a évoqué ici les initiatives d’Orange Business Services qui monétise les données anonymisées de ses clients pour réaliser des produits à destination des spécialistes du tourisme par exemple. Des produits qui commencent à rencontrer un vrai succès.

Chez SFR, on va plus loin encore : l’analyse de données lui permet de faire baisser son taux de churn, c’est-à-dire le poucentage de clients le quittant pour aller chez la concurrence. Le churn est le cauchemar des opérateurs qui cherchent logiquement à retenir le plus possible leurs abonnés.

81% des candidats au départ repérés

C’est au détour d’un dossier compilant de nombreux retours d’expérience de Big Data dans les entreprises, que l’on découvre cette approche, fournie par Sinequa. L’idée est simple : il s’agit d’analyser (donc de surveiller ?) le comportement de ses clients en ligne afin d’anticiper d’éventuelles envies d’aller voir ailleurs.

“Quotidiennement, nous insérons dans Sinequa 20 millions de lignes de logs issus du trafic sur et, la version mobile”, précise Olivier Denti, en charge du premier projet Sinequa chez SFR. Le prestataire fournit ensuite des informations ciblées, par exemple sur la durée de la visite, le nombre de pages vues, les domaines visités (Assistance, Mail, Mobiles…), les produits consultés, les mots-clés saisis sur un moteur de recherche Internet ou sur, etc”.

De quoi permettre de repérer ceux qui auraient la tentation de partir, c’est à dire ceux qui consultent beaucoup de pages liées aux résiliations de contrat ou aux offres concurrentes…

Cette surveillance proactive pourrait choquer mais pour SFR, le retour sur investissement est plus que satisfaisant puisque cette méthode permet de mieux repérer les candidats au départ (81% affirme Sinequa) et de les appeler au bon moment, avant qu’ils aient pris leur décision. Et ça marche puisqu’un test mené sur un échantillon de ces personnes a révélé que 75% des clients contactés avant une résiliation restent chez SFR. Soit une économie de “millions d’euros” pour SFR, selon le spécialiste.

Contacté par nos soins SFR ne fait “aucun” commentaire. On peut néanmoins estimer que les concurrents de SFR appliquent les mêmes méthodes pour mieux connaître leurs clients…