Le data marketing évolue en permanence, poussant chaque année l’apparition et le développement de termes des plus abstraits au plus basiques. Cette fiche pratique est destinée aux professionnels souhaitant se familiariser ou refamiliariser avec ces terminologies.
- ABM (Account Based Marketing)
L’ABM est l’acronyme de Account Based Marketing (ABM). Cette stratégie marketing consiste à concentrer ses ressources commerciales et marketing sur un ensemble défini de comptes clés cibles.
- API (Application Programming Interface)
Ce sigle désigne un ensemble de fonctions visant à faciliter la création, l’échange et l’intégration de services et de données entre des applications grâce à un langage de programmation.
- BI (Business Intelligence)
La Business Intelligence (BI) définit les technologies, applications et pratiques de collecte, d’intégration, d’analyse et de présentation des données et qui a pour objectif de soutenir une meilleure prise de décision des verticales métiers, commerciale, marketing, finance… Les systèmes de BI sont essentiellement des aides à la décision basés sur les données.
- Bigdata
L’expression Bigdata est apparue en 1997 dans un article sur les défis technologiques à relever pour visualiser les « grands ensembles de données ». Il désigne les ressources d’informations dont les caractéristiques en termes de volume, de vélocité et de variété imposent l’utilisation de technologie et de méthodes analytiques particulières.
- CRM (Customer Relationship Management)
Le CRM (Customer Relationship Management) est une stratégie qui prône la centralisation, le stockage, l’analyse et l’exploitation des interactions d’un individu avec une entreprise en vue d’optimiser la gestion et la qualité de la relation client. Il désigne également une solution informatique destinée à exploiter des données collectées durant les échanges entre un prospect/client et l’entreprise dans un but commercial.
- CDP (Customer Data Platform)
Une CDP ou Customer Data Platform en marketing centralise et ordonne les données online et offline de ses clients en vue de les exploiter plus efficacement. Ainsi, l’entreprise pourra segmenter, cibler et personnaliser ses campagnes marketing pour améliorer sa relation client. Cet outil permet ladiffusion des informations (données clients) vers d’autres outils.
- Connaissance client par la segmentation
Le principe est de créer un profil type de client répondant à des critères exogènes (qualification non basée sur la relation avec le client). Cette segmentation pourra également être utilisée en prospection. La segmentation, par l'identification et la catégorisation de comptes-clés, sera par exemple indispensable à la mise en place d'une
- Data Driven marketing
Il s’agit de permettre aux marketeurs de prendre des décisions basées sur des données et informations précises plutôt que sur des opinions ou intuitions.
- Data Quality
La Data Quality renvoie à la capacité d’une entreprise à mettre en place des actions pour s’assurer que les données de son ou ses systèmes d’informations soient correctes et pérennes à travers le temps. La maîtrise de la qualité des données est un enjeu important pour les entreprises. Il s’agit de fournir des données correctes, complètes, à jour et cohérentes à tous les utilisateurs de la donnée.
La notion de qualité des données est un terme générique décrivant à la fois les différentes caractéristiques des données mais aussi l’ensemble des processus permettant de garantir ces caractéristiques. Une donnée est dite de qualité dès lors qu’elle répond aux exigences de son utilisation.
- Data science
La Data Science désigne un ensemble de disciplines d’inférence de données, de développement d’algorithmes et de technologie. Ces dernières ont pour but de résoudre des problèmes analytiques complexes. La data sciences consiste à utiliser les données de manière créative pour générer de la valeur commerciale au travers d’insights, dans le but d’aider les entreprises à prendre des décisions plus intelligentes.
- Data Visualisation
Appelé également Dataviz, ce terme regroupe un ensemble d’outils destinés à traduire des données brutes en représentations visuelle simplifiées afin d’en faciliter l’analyse et la compréhension, l’objectif étant de permettre aux entreprises d’analyser un volume de données très conséquent afin de communiquer rapidement et efficacement à leur sujet et de prendre des décisions.
- Données contextuelles
Moins souvent utilisées car plus difficiles à récolter, les données contextuelles vont livrer des informations sur l'environnement de l'entreprise ou du contact. Le cas typique d'une donnée contextuelle est celui obtenu lors d'une étude de marché ou d'une enquête. Les données contextuelles peuvent également provenir de données très spécialisées issues de bases de données privées (base de données de médicaments, immatriculations de véhicules ...) ou publiques (recensement, zone à risques ...).
- Donnes externes
Une donnée externe est une donnée qui n’est pas générée par un des composants du système d’information interne de l’entreprise, ou qui n’est pas saisie en interne.
Il n’y a pas de différence majeure entre une donnée interne et une donnée externe. Simplement, l’entreprise dispose de moins de contrôle sur la donnée externe, lors de sa saisie, ou de sa génération par une application externe. La phase de vérification de la qualité des données sera d’autant plus importante dans le cas d’une donnée externe, susceptible d’avoir été corrompue lors de sa saisie ou de sa génération.
Les données externes peuvent être des données de gestion, comme la remontée des ventes d’un réseau de partenaires; ou des données périphériques, comme la météorologie, des cours de bourse, des relevés de prix réalisés chez les concurrents. Dans le contexte marketing et publicitaire, la notion de données externes fait généralement référence aux Third party data.
- Données internes
Une donnée interne est une donnée saisie dans l’entreprise ou générée par un des composants du système d’information. Il n’y a pas de différence majeure entre une donnée interne et une donnée externe. On aura tendance à avoir plus confiance dans la qualité des données internes, car elles viennent d’un système que l’on contrôle.
- Données relationnelles et comportementales
Les données relationnelles vont catégoriser la relation entretenue entre le vendeur et l'acheteur. Au-delà du simple acte d'achat, elles vont catégoriser la "qualité" de la relation : nombre de contacts, statut de l'acheteur (VIP, exceptionnel), nombre d'interactions dans l'année, propension à ouvrir les communications ...
Ces données sont en majorité alimentées par le comportement de l'acheteur sur les supports digitaux (site web, réseaux sociaux ...). La problématique de ce type de données est de pouvoir raccrocher un comportement à un contact précis. C'est tout l'objet des Data Management Plateform (DMP).
Chef de projet marketing