9 minutes de lecture
Christophe Asselin - oct. 2, 2018

7 étapes pour faire face à la surcharge de data sur les médias sociaux

"C'est une erreur capitale de théoriser avant d'avoir des données."
Sherlock Holmes, "A Study in Scarlett” (Sir Arthur Conan Doyle). 

Il est essentiel de collecter des données pour comprendre le consommateur,  ses préoccupations, son environnement, le marché, les tendances. Un peu comme l'exprime Sir Conan Doyle à travers son célèbre personnage. Mais l’enjeu n’est plus tant de capter la data que d’éviter la surcharge d'informations exponentielles, surtout sur les médias sociaux, via une analyse pertinente, afin de les rendre intelligentes, les prioriser et améliorer le process de collecte. Nous allons regarder quelles sont les étapes idéales, dans le cadre d'une démarche de Social Media Intelligence, pour éviter la surcharge et mieux comprendre les data des médias sociaux pour favoriser une utilisation efficace lors des prises de décisions.

 

I. Les challenges du data overload : pourquoi il faut faire face à une surcharge de données


1. Des données sont en création et augmentation permanente

90% des data recueillies aujourd’hui ont été générées au cours des 2 dernières années seulement. 90% des données sont non structurées (tweets, images, vidéos, avis client) (1). Chaque minute, 216 000 messages sont postés sur  Instagram, chaque seconde apparaissent 8000 tweets et 660000 requêtes sur Google.
Chaque jour, les dirigeants et opérationnels, marketeur, chargé d’étude et analystes sont confrontés à un volume énorme de données qui croît sans cesse. Les principaux médias sociaux gagnent ainsi en moyenne 840 nouveaux utilisateurs chaque minute (même si certains atteignent un plateau aujourd'hui). Depuis 2013, le nombre de tweets par minute a augmenté de 58% pour atteindre plus de 480 000 tweets en 2017 (2).

 

La croissance des utilisateurs des réseaux sociaux La croissance des utilisateurs des réseaux sociaux (Source : Growth of Internet Data - 2017- Microfocus)

 

2. Des données hétérogènes

"Depuis très longtemps, on a pris l’habitude de mouliner des quantités de données souvent très structurées, quantitatives, à l’intérieur de l’entreprise...jusqu’à une rupture récente avec l’irruption des données déstructurées venant des réseaux sociaux, des mobiles ou plus simplement des consultations Internet des consommateurs en situation". C'est ce qu'expliquait il y a déjà quelques années Nicolas Glady, un expert, responsable de la chaire big data Accenture-l’Essec

En effet, au-delà du volume, toutes ces data issues des médias sociaux sont très hétérogènes : multiplicité des émetteurs (particuliers, entreprises, medias, célébrités, influenceurs, micro-influenceurs, fans, haters, “simple consommateurs”), des formats (images, videos, son, texte, gif…) et des plateformes (quoi de plus différents qu’un tweet, un commentaire sur un blog et une video postée sur YouTube ?).

3. Les enjeux : analyser précisément la donnée pour lui donner du sens

The goal is to turn data into information, and information into insight.” – Carly Fiorina, former executive, president, and chair of Hewlett-Packard Co.

Les enjeux sont ici clairs : il s’agit de diminuer le volume de données à analyser, à synthétiser puis à lire. Il s’agit aussi de faire cohabiter des data hétérogènes en trouvant toutefois des indicateurs communs fiables pour constituer ensuite des KPIs. Mais il ne convient plus seulement de traiter de gros volumes de données quantitatives mais aussi de gros volume de données qualitatives.

Il faudra donc intervenir en amont, dès la phase de collecte, pour affiner la captation des conversation grâce à des univers sémantiques notamment mais aussi une cartographie des espaces de conversations à analyser. En phase intermédiaire, l’analyse devra s’appuyer sur des méthodes de classifications et de filtres. L’aide à l’analyse graphique via la datavisualisation (dataviz) permettra de rendre accessible ces gros volume de data quantitatives et qualitatives. Enfin, la restitution sous forme de dashboards doit permettre d’afficher seulement la donnée pertinente, au bon utilisateur. 

 

Social Media Marketing : 15 utilisations performantes des Social Data par les marques

 

II. 7 étapes pour faire face à la surcharge de data avec la social media intelligence

 

Regardons maintenant comment réduire le volume de data et mieux exploiter les données via des plateformes d'écoute et d'analyse des médias sociaux (Social Media Intelligence).

1. Cartographier les espaces de conversations

Si le paysage des médias sociaux est dominé par des plateformes majeures (Facebook, Twitter, YouTube, Instagram), les espaces de conversations sociaux sont beaucoup plus nombreux (il faut en effet prendre en considération les forums, blogs, commentaires informels dans les sites d’actualités, site d’avis consommateurs...) et vont fortement se différencier selon les secteurs.
C’est pour cela qu’il convient, préalablement à la collecte, de cartographier les espaces de conversations pour votre industrie afin de cibler les plus pertinents pour vos analyses. Voici des exemples pour 3 secteurs :

 

Les espaces de conversation privilégiés pour 3 secteurs Les espaces de conversation privilégiés pour 3 secteurs (Etude Digimind)

 

2. La collecte des data

Via votre outil de social media listening, vous allez collecter des data sur vos marques, produits, marchés, dirigeants et ceux des concurrents : des messages, des articles, des vidéos. Le paramétrage de la collecte est un processus itératif permanent : vous allez ainsi par exemple commencer par collecter des data sur le scandale Volkswagen puis élargir ensuite à l’univers du Dieselgate impliquant d’autres constructeurs, compte tenu de l'évolution de l'actualité. Il faut donc en permanence affiner et actualiser vos requêtes.

3. Le choix des axes d’analyses

Il ne s’agit pas d’empiler des semaines de données issues des médias sociaux. Il faut pouvoir les analyser, les mettre en perspective. C’est pour cela qu’après quelques jours de collecte, il convient d'imaginer des axes d’analyses qui permettront une première catégorisation de vos données. Vous pouvez ainsi analyser touts les messages collectés par :

  • Canal social media (forums, Twittter, Instagram, blog...)
  • Segments de consommateurs (prospects, fidèles, early adopter...),
  • Produits,
  • Préoccupations clients (qualité, choix, prix...)
  • Centres d'intérêts,
  • Parcours client (recherche d'information, achat on-line, SAV...)
  • Critères Socio-démo (âge, professions, sexe)
  • Émetteurs (fan, micro-influenceurs, détracteurs...)

 

Analyse des data social media selon des étapes du parcours client Analyse des data social media selon des étapes du parcours client (Secteur Retail Mode)

 

 

Bien entendu, si certains axes d’analyse  son communs à tous les secteurs (canal social media, émetteurs), d’autres sont des thèmes métiers spécifiques à certaines industries (recettes et cocktail pour le Food, maquillage du jour pour la cosmétique, etc…).

 

4. La catégorisation des insights 

Vous allez ainsi obtenir de grands types d’insights que vous pourrez étudier au sein de rapports spécifiques et dasbhoards dynamiques. Par exemple, des insights de :

  • Relation client
  • Réputation Corporate
  • Avis produits
  • Tendances de consommations
  • Style de vie
  • Innovations, rupture...


5. Analyse et Dataviz

Par ailleurs, la datavisualisation (outils d'aide à l'analyse graphique des données) va permettre de rendre plus compréhensibles et plus accessibles ces données que cela soit pour les analystes ou les destinataires internes des dashboards et rapports.

 

La dataviz pour sélectionner la data pertinente plus vite La dataviz pour sélectionner la data pertinente, plus vite

 

 

6. La mise en perspective des data

Pour une analyse plus pertinente, il conviendra :

  • D’étudier l'évolution des tendances des consommateurs dans le temps (par exemple les sentiments à l'égard du service) et de les comparer, période par période, en fonction des campagnes, d'actions correctives (perfectionnement de la relation client, formation des vendeurs...)
  • De comparer les insights et performances à ceux des concurrents ou acteurs majeurs du secteurs (part de voix, reach, sentiment par axes d'analyse...)

 

7. Le choix des KPIs de mesure

Gérer la surabondance de data, au-delà de l’analyse, c’est aussi choisir les bons indicateurs de mesure pour prioriser la data pertinente, déterminer les vrais KPIs face aux “simples" indicateurs.

Il conviendra  donc de choisir vos indicateurs de mesure de performance les plus pertinents à l’issue de plusieurs semaines (voire mois) d’analyse : interactions, audience, parts de voix, score de sentiment positif, part des macro-influenceurs,  le tout croisé avec vos grands axes d'analyses. Exemple pour l'axe Parcours clients : part de voix des sentiments positifs post achat.

Vos KPIs sont quantitatifs. Vous disposez d'indicateurs qualificatifs que vous utilisez (nature des influenceurs, items de relation client) ?  Ils vous serviront à expliquer vos KPIS auprès de vos lecteurs.

Vous avez trop de KPIS ? Par définition, vous ne pouvez pas suivre régulièrement des dizaines de KPIS. 3 à 5 sont réellement important et illustrent votre activité. Les autres indicateurs quantitatifs sont à nourrir et à conserver pour expliquer si besoin des variations de tendances. L’analyse que permettent les KPIs est de 2 types : elle  doit, dans l’idéal, permettre de prévoir les performances des futures actions (analyse prédictive) mais aussi d’améliorer tout le processus (analyse prescriptive). L’affinage de la collecte des data et donc la diminution du volume des données fait partie de ces améliorations.

Pour vous aider à choisir vos KPIs, gardez à l’esprit qu’ils doivent correspondre à votre activité et à vos objectif et répondre à 3 grandes préoccupations : Le social media, le digital et les ventes. 

 

3 types de KPIs en marketing digital 3 types de KPIs en marketing digital. Essentiels pour sélectionner la data pertinente

 

Les KPIs serviront donc à prioriser les data et les informations réellement importantes à collecter puis à analyser pour votre activité et vos prises de décisions. 

 

A garder à l’esprit  pour ne pas être  submergé par la data social media :

Les thèmes et expressions de collecte doivent se repenser régulièrement

Raisonnez "Espaces de conversations" où vos clients et prospects s'expriment et pas seulement réseaux sociaux majeurs

Réfléchissez aux axes d’analyses très en amont, au bout de quelque jours de collecte

Comme pour toute démarche de veille, il faut partager ces analyses à des experts métiers afin qu'elles soient enrichies et commentés

Soignez vos KPIs afin de distinguer les data réellement essentielles pour poursuivre vos objectifs.

 

 

7 étapes idéales pour faire face à la surcharge de data sur les médias sociaux 7 étapes idéales pour faire face à la surcharge de data sur les médias sociaux

 

 

Découvrez Digimind Social dopé à l'Intelligence Artificielle

(1) Source : IBM . Extracting business value from the 4 V's of big data

(2) Source : MicroFocus.  Growth of Internet Data - 2017

Ecrit par Christophe Asselin

Christophe est Senior Insights & Content Specialist @ Onclusive. Fan du web depuis Compuserve, Lycos, Netscape, Yahoo!, Altavista, Ecila et les modems 28k, de l'e-réputation depuis 2007, il aime discuter et écrire sur la veille et le social listening, les internets, les marques, les usages, styles de vie et les bonnes pratiques. Il est expert Onclusive Social (ex Digimind Social)