L’univers data marketing évolue en permanence, générant au fil du temps l’apparition et l’utilisation de mots, d’expressions, des plus simples ou plus abstraits.
- Algorithme
L’algorithme est la description d’une suite d’étapes permettant d’obtenir un résultat à partir d’éléments fournis en entrée. Il s’agit de l’ensemble des règles opératoires propres à un calcul ; une suite de règles formelles.
- Intelligence Artificielle (IA)
L’intelligence artificielle (IA) est en réalité une discipline jeune d’une soixantaine d’années, qui réunit des sciences, théories et techniques (notamment logique mathématique, statistiques, probabilités, neurobiologies computationnelle et informatique), et dont le but est de parvenir à faire imiter par une machine les capacités cognitives d’un être humain.
- Business Intelligence (BI)
La Business Intelligence (BI) définit les technologies, applications et pratiques de collecte, d’intégration, d’analyse et de présentation des données, ayant pour objectif de soutenir une meilleure prise de décision dans les verticales métiers : commerciale, marketing, finance, etc. Les systèmes de BI sont essentiellement des aides à la décision qui reposent sur les données.
- Big Data
L’expression Big Data est apparue en 1997 dans un article sur les défis technologiques à relever pour visualiser les “grands ensembles de données”. Elle désigne les ressources d’informations dont les caractéristiques en termes de volume, de vélocité et de variété imposent l’utilisation de technologies et de méthodes analytiques particulières.
- Customer Data Platform (CDP)
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 la diffusion 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.
- 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.
- Code IRIS
Zones définies par l’INSEE pour les besoins des recensements sur l’ensemble des communes de plus de 10 000 habitants et la plupart des communes de 5 000 à 10 000 habitants.
- Customer Relationship Management – CRM
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.
- Data-Driven Marketing – DDM
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 – DQ
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’information 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 Mining
Processus de management des données client qui opère à partir de différentes perspectives en établissant des relations afin de transformer ces données en informations utiles, en vue d’une action bien déterminée vis-à-vis des clients.
- Data Lake – Lac de données
Permet de collecter et de stocker un grand volume de données structurées et non structurées. Les données sont brutes. Un data lake sert donc à alimenter un data mart.
- Data Mart
Base de données dont le contenu est en rapport avec une activité de l’entreprise et qui est créée pour répondre aux besoins spécifiques d’un groupe d’utilisateurs. Il s’agit souvent (mais pas toujours) d’un segment partitionné dans le data warehouse de l’entreprise.
- 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 science 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 Visualization
Appelé également Dataviz, ce terme regroupe un ensemble d’outils destinés à traduire des données brutes en représentations visuelles simplifiées afin d’en faciliter l’analyse et la compréhension. L’objectif est 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.
- Data Quality Management – DQM
La gestion de la qualité des données est l’ensemble des actions et procédures visant à :
– Assurer et maintenir la qualité des données répondant aux besoins métiers et techniques des utilisateurs au sein d’une entreprise,
– Les sécuriser et les rendre disponibles à des fins opérationnelles.
Il s’agit d’un processus continu. Ce processus répond à deux objectifs :
– Examiner la fiabilité et la pertinence des données, essentielles et structurantes pour l’entreprise, sur la base de critères de qualité d’une part,
– Élaborer des stratégies et des outils pour éliminer les données ne répondant pas à ces exigences d’autre part.
L’entreprise qui entame un projet de Data Quality suit un unique fil rouge durant tout le projet : transformer des données de qualité en renseignements utiles.
- Déduplication
La déduplication des données, souvent appelée tout simplement déduplication, est une fonctionnalité qui permet de réduire l’impact des données redondantes sur les coûts de stockage. Quand elle est activée, la déduplication des données optimise l’espace libre sur un volume en examinant les données qu’il contient et en recherchant les parties dupliquées sur le volume. Les parties dupliquées du jeu de données du volume sont stockées une seule fois et sont (éventuellement) compressées pour réaliser encore plus d’économies. La déduplication des données permet d’optimiser les redondances sans compromettre la fidélité ni l’intégrité des données.
- 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…).
- Données 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.
