Data mining pour marketeurs

Modules distanciels :

• E-quiz en amont/aval de la formation
• Quels sont les types de données utiles au marketing ?
• Où se trouvent les données utiles pour le marketeur ?
• Qu’est-ce que le smart data ?
• Comment la data affine-t-elle la segmentation marketing ?
• Qu’est-ce que le marketing automation ?

Définition: identifier les différents types de données et techniques du Data Mining

• Comprendre les différents modèles de données par leur structure.
• Distinguer:
  • les données structurées et non structurées,
  • les données sollicitées et non sollicitées,
  • les données comportementales et leurs interprétations.

• Classification, arbres de décisions, réseaux de neurones, deep learning…: s’approprier les principales techniques de Data Mining.
• Scoring, géomarketing, segmentation, personnalisation…: saisir les applications du Data Mining.

Sourcing: acquérir les données pertinentes pour obtenir des résultats

• Comprendre son environnement data.
• Formaliser une road map de sélection de fonctionnalités.
• Identifier les points bloquants depuis ses sources de données.
• Prioriser la sélection de fonctionnalités pour l'action.
• Dessiner son modèle de sélection de données pour consolider sa connaissance de ses données.

Datavisualisation: comprendre ses données et faciliter leur communication

• Introduction à la data visualisation.
• Lier sa visualisation à des objectifs.
• Prouver par l'exemple, avoir une vision « proof of concept » basée sur les données.
• Définir des automatisations à partir de la visualisation.
• Panorama des outils existants de datavisualisation et exemples d’utilisation.

Automation: déployer des campagnes marketing basées sur les données

• Introduction aux méthodes de scoring: RFM/NPS.
• Fixer les seuils de data-marketing grâce au scoring.
• Définir les variables de paramètres en marketing automation : modèle « SEED ».
• Enrichir ses SI avec l'automatisation des processus.
• Se familiariser à l'automation des modèles de data mining.

Piloter un projet data en collaboration avec la DSI

• Étude de cas: 5 cas d’usages à décrypter.
• Définir son projet: clés de succès et écueils à éviter.
• Déterminer ses objectifs prioritaires et anticiper les contraintes.
• Programmer les étapes du projet : collecter, préparer, analyser, et exploiter.
• Interagir avec la DSI: adopter un processus itératif.
• Étude de cas: mettre en place un Lean data projectallant du small data au big.