Discussion :

[Anthony]

Pourquoi la science des données ne répond pas aux besoins des spécialistes du marketing ? 84 % d'entre eux affirment que leur capacité à prédire le comportement des clients relève de la conjecture, selon Pecan AI

Les entreprises peuvent désormais recueillir plus d'informations sur leurs clients que jamais auparavant. Mais selon une nouvelle étude, la science des données ne profite pas aux spécialistes du marketing.

Le rapport de la société d'analyse prédictive Pecan AI, basé sur des enquêtes menées par Wakefield Research, révèle que quatre responsables marketing sur cinq déclarent avoir des difficultés à prendre des décisions fondées sur les données, malgré toutes les données sur les consommateurs dont ils disposent.

L'étude menée auprès de 250 personnes révèle que 95 % des entreprises intègrent désormais l'analyse prédictive alimentée par l'IA dans leur stratégie marketing, dont 44 % qui déclarent avoir complètement intégré l'analyse prédictive alimentée par l'IA dans leur stratégie. Mais parmi les entreprises qui ont complètement intégré l'analyse prédictive de l'IA dans leur stratégie marketing, 90 % déclarent qu'il leur est difficile de prendre des décisions quotidiennes basées sur les données.

Toutes les personnes interrogées déclarent vouloir acquérir des capacités supplémentaires alimentées par l'IA et des informations prédictives pour leurs équipes, ce qui indique clairement que les implémentations actuelles de l'analyse prédictive répondent mal aux besoins des équipes marketing d'aujourd'hui.

"La plupart des entreprises employant aujourd'hui des approches manuelles de construction de modèles, il est regrettable, mais pas surprenant, que les résultats ne répondent pas aux besoins des équipes marketing", déclare Zohar Bronfman, cofondateur et PDG de Pecan. "Si les data scientists peuvent être compétents pour construire les modèles logiciels parfaits, ils sont tout simplement trop éloignés des réalités nuancées de l'entreprise pour être efficaces. En outre, compte tenu de leur charge de travail, ils sont trop lents à réagir lorsqu'il s'agit de prendre en compte l'évolution rapide des conditions du marché et du comportement des consommateurs. Les spécialistes du marketing et les analystes marketing sont plus que capables d'assumer les responsabilités de l'analyse prédictive si on leur fournit les bons outils."

Alors, qu'est-ce qui freine la réussite des projets de science des données ? 42 % affirment que les spécialistes de la science des données n'ont pas le temps de répondre aux demandes, 40 % que ceux qui élaborent les modèles ne comprennent pas les objectifs du marketing, 38 % que les spécialistes de la science des données ne posent pas les bonnes questions et 37 % que des données erronées ou partielles sont utilisées pour élaborer les modèles.

En outre, 93 % des responsables marketing interrogés s'accordent à dire que les spécialistes des données pourraient résoudre des problèmes plus complexes s'ils étaient en mesure d'utiliser des outils de modélisation prédictive d'IA peu ou pas codés pour des mesures automatisables.

Source : Pecan AI

Et vous ?

Trouvez-vous cette étude pertinente ?
Qu'en est-il dans votre organisation ?

Voir aussi

L'éthique des données clients aura un impact révolutionnaire sur le marketing numérique dans cinq à dix ans

Les données et l'analyse sont essentielles pour aider les entreprises à résoudre leurs problèmes

77 % des professionnels du marketing ont déclaré utiliser l'IA pour personnaliser les e-mails, ce qui en fait l'utilisation la plus populaire de l'IA dont le domaine

Les spécialistes du marketing ont de grands espoirs pour l'intelligence artificielle mais seulement peu d'entre eux l'utilisent actuellement

[totozor]

Pourquoi la science des données ne répond pas aux besoins des spécialistes du marketing ?

C'est marrant parce que ces même gens m'expliquent à coup de formations que la science des données va me permettre d'enrichir grassement mon employeur en prévoyant/modifiant le comportement de mes clients.

Ce qu'ils amplifient largement en me donnant des exemples de plateforme web, ou de magasin qui vendent à des services à des particuliers alors que mon employeur vends des produits à des industriels.

[moldavi]

Bonjour.

De tout temps, il y a eu des sectes qui prétendent connaître l'avenir.

Seul Dieu connaît l'avenir...

Bref, c'est difficile de gagner au Loto, autant que de prédire le comportement des clients.

[Stellar7]

C'est peut-être c… à dire, mais :

• La "science des données" ne fait que des constats sur des nombres ne concernant que le passé.
• La pertinence du choix de ces nombres, elle est décidée par un pauvre bipède qui vient avec son formatage propre.
• Les prévisions & interprétations du futur sont faites par (aussi) un pauvre bipède qui pense/prétend "avoir la science" (en clair : c'est lui la boule de cristal en bois plus ou moins rouillée).

Et il n'y a àmha pas que dans cette boite que ces constats sont valables. Et la solution n'est pas que chacun se dise qu'alors autant aller élever des chèvres bio dans le Larzac.
…inspiration…expiration… souriez, vous êtes filmés !

[totozor]

C'est peut-être c… à dire, mais :
[LIST][*]La "science des données" ne fait que des constats sur des nombres ne concernant que le passé.

Oui

[*]La pertinence du choix de ces nombres, elle est décidée par un pauvre bipède qui vient avec son formatage propre.

C'est là que la Data Science commence à faire des dégâts : elle prétend qu'une machine est capable de se passer de ce formatage

[*]Les prévisions & interprétations du futur sont faites par (aussi) un pauvre bipède qui pense/prétend "avoir la science" (en clair : c'est lui la boule de cristal en bois plus ou moins rouillée).

C'est la que la Data Science peut vraiment devenir dangereuse. Elle prétend pouvoir faire des prévisions fiables sans intervention humaine.
Prévisions qui vont mener à des décisions inadéquate parce qu'elles ne seront (à terme) ni comprise, ni remise en cause

Un vendeur de logiciel m'a montré comment avec sa solution il était capable de mesurer le bilan carbone de chaque opérateur de l'atelier.
Mon responsable de l'époque avait été convaincu par la solution et avait suggéré qu'on forme les plus "délinquants".
J'ai demandé la liste des 10 opérateurs les plus efficaces et des 10 opérateurs les moins efficaces et nous sommes tombés sur un scoop : TOUS les plus efficaces travaillent au montage (poste peu énergivore) de jour, TOUS les moins efficaces travaillent aux traitements spéciaux (poste très énergivores) de nuit.
En parallèle j'avais demandé aux chefs de lignes quels étaient les 5 critères impactant du bilan carbone (ils sont 12 et avaient listés 8 critères en tout)

Sans aucune donnée ces gens avaient réussi à tous lister les 3 critères principaux, sur lesquels on travaille depuis.
Avec une montagne de données et pas de recul/vision de terrain on était prêt à lancer un projet de longue haleine pour comprendre ce que Gérard fait mieux que Bernard, sans jamais trouver.

Je pense que les données nous aide vraiment et que l'analyse des données est un accélérateur d'évolution nécessaire en cette période où le client demande de plus en plus de réactivité.
Mais je suis convaincu qu'une armée de Data Scientist qui ne savent pas de quoi parle leurs données feront pire que s'ils ne faisaient rien.
Mais je suis aussi convaincu qu'un Data Scientist et le terrain feront des étincelles ensemble.

Mais bon chez moi, c'est compliqué d'expliquer aux Data BlaBla qu'ils ont besoin du terrain.
Et en formation on m'explique qu'on doit se méfier de ces gens aussi.
Je ne comprends pas cette culture de la concurrence entre la Data et le terrain.

[Invité]

Bonsoir

84 % d'entre eux affirment que leur capacité à prédire le comportement des clients relève de la conjecture, selon Pecan AI

Pourquoi la science des données ne répond pas aux besoins des spécialistes du marketing ?

Il y a plusieurs facteurs à prendre en compte :

qualité
quantité
donné manquante
obsolescence
source

Trouvez-vous cette étude pertinente ?

Plutot

Qu'en est-il dans votre organisation ?

Les datas peuvent venir de brokers , de la data elle-même issus d'une autres boites ... Cela perd en qualité entre passage de main à main

[Paul239]

Salut à tous !
Tout d'abord, je te remercie pour ces précieuses statistiques.
Je fais actuellement de la veille avec ChatGPT et je m'intéresse activement à l'IA prédictive. Vous auriez des ressources à me recommander ? Merci d'avance

[Paul239]

Salut à tous !
Tout d'abord, je te remercie pour ces précieuses statistiques.
Je fais actuellement de la veille avec ChatGPT et je m'intéresse activement à l'IA prédictive. Vous auriez des ressources à me recommander ? Merci d'avance

UP ! Je relance au cas ou certains aurait raté mon message et auraient des ressources à me suggérer

merci d'avance