Data mining pour marketeurs par ISM

Définition : identifier les différents types de données et techniques du Data Mining
- Comprendre les différents modèles de données par leur structure.
- Distinguer :
les données structurées et non structurées,
les données sollicitées et non sollicitées,
les données comportementales et leurs interprétations.
- Classification, arbres de décisions, réseaux de neurones, deep learning... : s'approprier les principales techniques de Data Mining.
- Scoring, géomarketing, segmentation, personnalisation... : saisir les applications du Data Mining.
Sourcing : acquérir les données pertinentes pour obtenir des résultats
- Comprendre son environnement data.
- Formaliser une road map de sélection de fonctionnalités.
- Identifier les points bloquants depuis ses sources de données.
- Prioriser la sélection de fonctionnalités pour l'action.
- Dessiner son modèle de sélection de données pour consolider sa connaissance de ses données.
Datavisualisation : comprendre ses données et faciliter leur communication
- Introduction à la data visualisation.
- Lier sa visualisation à des objectifs.
- Prouver par l'exemple, avoir une vision proof of concept basée sur les données.
- Définir des automatisations à partir de la visualisation.
- Panorama des outils existants de datavisualisation et exemples d'utilisation.
Automation : déployer des campagnes marketing basées sur les données
- Introduction aux méthodes de scoring : RFM/NPS.
- Fixer les seuils de data
- marketing grâce au scoring.
- Définir les variables de paramètres en marketing automation : modèle SEED .
- Enrichir ses SI avec l'automatisation des processus.
- Se familiariser à l'automation des modèles de data mining.
Piloter un projet data en collaboration avec la DSI
- Étude de cas : 5 cas d'usages à décrypter.
- Définir son projet : clés de succès et écueils à éviter.
- Déterminer ses objectifs prioritaires et anticiper les contraintes.
- Programmer les étapes du projet : collecter, préparer, analyser, et exploiter.
- Interagir avec la DSI : adopter un processus itératif.
- Étude de cas: mettre en place un Lean data project allant du small data au big.

- S'approprier le principe, les enjeux et la portée du data mining.
- Explorer ses données, les analyser et les visualiser pour en tirer de la valeur business.
- Exploiter ses données et utiliser à bon escient les outils d'automation.