Le baromètre 2017
Etudes et Intelligence Marketing
< Retour au dossier

DOSSIER : Big data et études marketing : volet 2

Big data : une « big » opportunité ?

Diouldé Chartier-Beffa

Associée fondatrice
de D'Cap Research

 

 

 

Là où certains voient dans le Big Data un risque majeur pour les études marketing, Diouldé Chartier-Beffa (D’Cap Research) y verrait plutôt de belles opportunités.  Celle d’écouter le consommateur avec une fraicheur inédite (pour innover mieux et plus vite), mais aussi celle de redonner toute son importance à des enjeux parfois sous-évalués : celui de la scientificité des études marketing, et de l’intérêt des décideurs à se poser les meilleures questions possibles…

Market Research News : L’institut que vous avez créé est un spécialiste de l’analyse des conversations sur le web. Vous avez donc un pied dans l’exploitation du big data, alors que  votre background est celui des études marketing «traditionnelles », quali et quanti. Qu’est-ce que cela change fondamentalement pour les études, d’aller dans cette exploitation du big data ?

Diouldé Chartier-Beffa : Cela change beaucoup de choses si l’on vise à préserver ou même à renforcer la scientificité de la démarche d’études, ce qui n’est naturellement ni la préoccupation ni le métier des acteurs qui génèrent ou exploitent le big data. Les données peuvent être à peu près n’importe quoi, des données météo, des horaires de train...

Si on parle plus précisément de la big data que traite DCAP Research, les conversations spontanées sur le web, une première conséquence importante pour les études est de faire tomber la frontière entre le quali et le quanti : on se retrouve avec des matériaux qui sont par essence très « qualitatifs », au sens où ils ne sont pas pré-formatés, « préréduits », comme ils le sont dans les questionnaires quanti, mais que le web fournit dans des grandes quantités qui permettent d’avoir une valeur statistique. La division traditionnelle quali/quanti fait que les instituts ne sont pas équipés pour traiter ce nouveau matériau.

Or ces conversations ont la particularité remarquable d’être du matériau produit spontanément par les individus, en dehors de tout cadre d’étude : à nous de penser spécifiquement les outils pour l’exploiter dans le but d’en faire des informations fiables destinées à éclairer les décisions des acteurs économiques, ce qui est la raison d’être de ce métier. Si les instituts ne s’en donnent pas les moyens, d’autres entreprises le feront (Google se lance déjà sur créneau des questionnaires en ligne !)

Vous évoquez la question de la « scientificité » des démarches d’études. On a l‘impression parfois, à écouter certains, que l’usage de la big data et le fait de brasser d’énormes volumes de données évacuent une bonne partie des préoccupations scientifiques des études, à commencer par celle de la représentativité…

C’est très vrai. C’est comme si cette question de la représentativité ne se posait plus, comme si elle était « dépassée ». Alors qu’à mon sens, elle est parfaitement essentielle. Ce qui est assez intéressant, c’est que cela redonne une forme d’actualité à un débat déjà ancien, mais sacrément important, celui de savoir comment l’on obtient un échantillon représentatif. Pour schématiser un peu, on sait qu’il y a deux écoles. L’une, qui est dominante aux Etats Unis, qui est celle de l’aléa : il faut créer les conditions d’un tirage le plus aléatoire possible des « unités » que l’on souhaite observer. L’autre école, assez française, est celle des quotas : si on respecte la structure des quotas en question, l’échantillon est considéré comme « représentatif ». Cela se défend, en France en particulier, parce que l’Insee nous donne une excellente connaissance de la structure de la population. A l’ère du big data, la question se repose différemment. Il n’existera jamais un équivalent de l’Insee susceptible de décrire internet, à supposer même que l’on règle la question de ce que l’on doit décrire : des internautes ? Des sites internet ? Des conversations ? L’exploitation des big data à des fins d’études oblige à maitriser cet usage de l’aléa avec une très grande rigueur, ce qui n’est pas une pratique si ancrée que cela en France.  Mais y renoncer, c’est renoncer au caractère extrapolable de ce que nous observons, donc à tout ce qui distingue le métier des études de n’importe quel possesseur de données.

Je vous propose de revenir sur cette notion de spontanéité des matériaux, et sur cet aspect que vous évoquiez, le fait de disposer de matériaux non pré-formatés. Quelles sont les implications de cela du point de vue de la technicité des études ? Comment fait-on parler ce type de données ?

On touche à la définition même du big data : on récupère une donnée qui n’est pas prévue pour réaliser des études. Cela a une implication majeure pour ce qui est de son exploitation : la nécessité de fabriquer, de designer une forme qui va rendre ces données parlantes. Il faut construire une forme au service d’une nouvelle intention, différente de celle qui a fait naitre la donnée. Cette question de la forme est primordiale, c’est elle qui rend la pensée possible. C’est ce qui nous a incité, comme nous l’avons déjà évoqué ensemble, à recruter un designer.

C’est le principe de ce que l’on appelle le « Design Thinking » ?

Absolument ! Nous sommes en plein dedans !

Pour les utilisateurs des études, les décideurs marketing, quels sont les avantages à cette exploitation de matériaux produits spontanément par les individus, et non pré-formatés ?

A mon sens, le grand intérêt du big data est de découvrir quelque chose de fondamentalement nouveau, qui n’a pas été « pré-pensé ». Dans beaucoup de démarches d’études, pour interroger le consommateur sur ses opinions, on lui lance des mots, des verbes, des notions qui sont déjà cristallisées conceptuellement, et donc déjà présents dans le discours public. Qui plus est, les médias qui brassent ces concepts le font avec des intentions éditoriales. En écoutant les conversations, et donc ce que les individus s’échangent, on est complètement concentré sur ce qu’ils ont envie de dire, avec leurs motivations. Prenons un exemple. Si vous effectuez une recherche sur le terme écologie, si vous investiguez ce terme précis, vous tomberez principalement sur un discours militant ou détracteur. Il y a toutes les chances que vous n’appreniez rien que vous ne sachiez déjà. Il est donc préférable de décentrer, de ne pas s’intéresser au terme d’écologie, mais aux problèmes concrets que se posent les gens à ce sujet, lorsqu’ils échangent sur le « comment faire » par exemple. Vous découvrez ainsi les « vrais problèmes » que se posent les « vrais gens » dans leurs termes à eux.

Défini ainsi, cela ressemble à des insights…

Le terme d’insight est un concept tellement utilisé que l’on sait plus de quoi l’on parle. Je préfère le dire ainsi : on découvre les problèmes des consommateurs ou des citoyens, de leur propre point de vue. Et normalement, c’est ce qui intéresse les entreprises et les institutions, qui sont là pour proposer ou vendre des solutions à des problèmes ! On s’intéresse à ce que les gens se disent entre eux, avec les traces que cela laisse quant à leurs expériences concrètes, leurs émotions, les imaginaires associés à un produit, un service, une thématique donnée. Ce faisant, on se retrouve face à une sorte de vérité des études. Dans le fond, c’est à la fois le prolongement des études ethnographiques et de la sémiologie pour ce qui est du contenu, et celui des sondages inventés par Georges Gallup pour l’obtention de la valeur représentative.  Ce ne sont plus les annonceurs qui posent des questions aux consommateurs qui leur donnent des réponses, mais les consommateurs qui se posent des questions entre eux, et les annonceurs qui doivent réfléchir aux réponses. C’est le monde… « à l’endroit » !

Si l’on ramène cela aux problématiques des annonceurs ?

Chez nous en tout cas, cet usage-ci du big data a trois grands champs d’application. Le premier est celui de la prospective. Nous faisons des choses passionnantes sur ce point avec PSA en particulier. Comme nous l’avons évoqué, on découvre dans quels termes se pose quelque chose qui n’a pas encore été cristallisé, et qui ne trouvera donc sa forme définitive que plus tard, en particulier lorsque un acteur aura su la proposer ou l’imposer. On se donne ainsi un pouvoir d’anticipation qui est précieux. Les deux autres s’inscrivent dans un registre plus opérationnel dans deux directions : d’une part, l’optimisation de la communication : comprendre la dynamique du bouche à oreille pour parler un langage qui résonne avec la perspective consommateurs. D’autre part, l’optimisation des produits ou des services, .

On écoute ce que les utilisateurs livrent de leur expérience ?

Absolument, on écoute les solutions que les gens s’échangent entre eux pour résoudre leurs problèmes avec tel ou tel produit ou service. L’avantage, c’est que l’on peut se brancher sur une sorte d’énorme « service client », avec non seulement les questions mais aussi les conseils donnés en retour. Pour une entreprise donnée, cela va même plus loin parce qu’elle n’écoute pas que ses seuls consommateurs. C’est comme si elle avait accès au « service client » de ses concurrents. Elle peut voir ainsi si tel problème qui est relevé par les consommateurs est spécifique à son produit, ou bien s’il est évoqué y compris pour les produits concurrents. Elle a ainsi la possibilité d’optimiser son produit, ou de trouver une piste pour une innovation un peu plus radicale.

Quels conseils donneriez-vous aux équipes marketing des annonceurs sur l’usage de la big data à des fins d’études ?

Le big data, c’est la jungle ! C’est un espace sur lequel on va véritablement trouver tout et n’importe quoi. Une des conséquences de cela, c’est l’exigence à être très clair sur ce que l’on cherche. C’est vrai pour les instituts, qui devront faire preuve d’une très grande rigueur à la fois sur les conditions méthodologiques de la recherche, comme nous l’avons évoqué avec l’enjeu de la représentativité, mais aussi sur l’objet de la recherche, et pour cela la balle est dans le camp des directions marketing. Le big data devrait être une incitation à remonter à l’essentiel des questions : qu’est-ce que j’ai vraiment besoin de savoir, quelles sont les informations qui peuvent vraiment faire avancer ma réflexion marketing ?

Et quels conseils donneriez-vous enfin plus spécifiquement aux responsables des études côté annonceurs ?

Je pense qu’il y a une opportunité pour eux avec le big data. Ces dernières années ont coïncidé avec une forte banalisation des études, ainsi qu’avec une exigence accrue d’immédiateté. Cela a souvent eu pour effet de diminuer l’autonomie des services études, dont le rôle se réduit parfois à celui de « boite aux lettres ». Avec le big data, il y a à nouveau des enjeux de compétences importants pour trouver les conditions de la fiabilité. Au-delà de cela, le responsable études chez l’annonceur devra intégrer toute une nouvelle philosophie du métier, qui tient  à la fois à l’environnement devenu très mouvant et incertain, et à l’abondance de données: les études passent d’une démarche essentiellement hypothético-déductive – « mon client interne émet une hypothèse sur une question donnée, je conçois une méthodo pour l’étayer ou l’invalider » - à une démarche inductive qui demande à la fois plus de rigueur et plus d’agilité : « je dois disposer d’antennes fines capables de saisir différents signaux, je repère des saillances et j’en décode le sens » Tout cela devrait donc plutôt jouer dans le sens d’une revalorisation de l’expertise technique des gens d’études chez l’annonceur. Le conseil que je donnerais à ces équipes serait donc de se familiariser le plus possible avec les méthodes d’exploitation du big data et d’écoute du web. Avec de la formation. Mais aussi en faisant un énorme travail de benchmark autour de ce que proposent les uns et les autres. Il faut sans doute qu’ils n’hésitent pas à mettre beaucoup d’instituts différents en concurrence, mais en ne se limitant pas à des présentations de surface. C’est vraiment le moment d’aller faire un tour dans les cuisines pour humer ce qui s’y prépare !


 POUR ACTION 

Commenter 

• Echanger avec l'interviewé(e) : @ Diouldé Chartier-Beffa

• Partager sur LinkedIn