KXen apporte la statistique au cloud via Salesforce

Bien que son siège soit désormais installé aux États-Unis, KXen est à l'origine un éditeur français spécialisé dans les solutions statistiques et les modèles prédictifs. Comme le reste du marché (IBM/SPSS, SaS.), la société mise sur une simplification de ces outils pour les mettre à disposition des utilisateurs finaux.

L'e-commerce et le CRM pour le Web explosant, KXen se positionne sur le Web via AppExchange, la plateforme de Salesforce. Une première étape de sa stratégie cloud?? Le point avec Matthieu Chouard, directeur des opérations sur la zone EMEA.

Comment se positionne KXen face à des géants comme IBM/SPSS ou Sas??

Kxen est le troisième acteur qui s'efforce de faire bouger les lignes face à ces mastodontes.

Nous plaidons pour une automatisation la plus complète possible du datamining, en évitant au maximum à l'utilisateur le recours à la technologie et à la statistique.

En investissant sur l'innovation de nos solutions, nous souhaitons démocratiser l'accès aux fonctions mathématiques évoluées. Ce qui ne signifie nullement la fin des statisticiens. Cependant, ces compétences restent onéreuses et peu répandues. C'est pourquoi nous cherchons à augmenter la capacité des entreprises en automatisant ce type de traitements afin de ne pas surmultiplier les besoins en statisticiens.

D'où l'offre Predictive Offers sur l'AppExchange de Salesforce.com??

Afin de compléter les applications CRM des PME et entreprises à budget serré, le plus simplement possible avec des fonctions statistiques à valeur ajoutée, nous nous sommes appuyés sur un acteur référent?: Salesforce. La plate-forme AppExchange nous permet de proposer une solution à déployer très simplement et à mettre en ouvre en quelques clics.

Pour 50 dollars par utilisateur (ou administrateur) par mois, l'entreprise installe simplement Predictive Offers par KXen. Ensuite, un marketeur paramètre les offres en quelques clics.

Ensuite, ces offres peuvent être utilisées par un vendeur, qui peut même afficher des messages ou conseils définis par le marketing, tandis qu'il est au téléphone, par exemple. Ou encore, le client en ligne se voit proposer la meilleure offre complémentaire ou alternative selon son profil et son historique.

Nous évitons ainsi le frein majeur à ce type d'application?: le recours indispensable à des statisticiens.

Comment cela se passe-t-il concrètement??

Une offre est définie en quelques clics en intégrant des critères qui seront automatiquement évalués pour réaliser des statistiques sur les transactions des clients. Et les offres sont automatiquement proposées si le profil du client correspond.

Le système devient de plus en plus pertinent dans le temps. Et un jeu de données peut être utilisé pour «?roder?» le modèle au départ. En outre, il est possible d'exclure des critères en intervenant dans le back-office. Mais l'esprit de la solution reste la simplicité et l'automatisation.

Le client se voit donc proposer des offres si les critères correspondent à ses données historiques?: sexe, âge, niveau de revenu, client d'une offre.

Comment trouver le juste équilibre entre pertinence et Big Data?? Si cela a un rapport.

Plus le système apprend, plus il pourra apporter de recommandations fiables et répondre à des questions du type?: notre nouveau produit a-t-il des chances d'être adopté?? Le client acquis est-il rentable?? Ce client va-t-il nous quitter?? Etc.

Et tout cela devient possible sans avoir à effectuer du marketing «?Carpet Bombing?», arrosant très large et rarement de façon très efficace.

L'entreprise pourra alors anticiper et planifier des actions avant que ne survienne une situation avec un impact potentiellement négatif pour les résultats commerciaux.

Avec l'explosion du trafic sur le Web, la masse de données devient de plus en plus conséquente. L'analyse prédictive associée au Big Data permet aussi de faire le tri et d'identifier les données les plus pertinentes sans avoir à traiter indifféremment toute cette masse.

Pouvez-vous nous citer quelques exemples??

L'objectif consiste essentiellement à augmenter la valeur générée par les clients. Le succès de notre solution repose sur la simplicité d'utilisation au niveau technologique des responsables marketing et des vendeurs. Sans recourir à des statisticiens, mais en utilisant des modèles, sans le savoir.

Ainsi, Allocine.com a augmenté son nombre de pages vues de 9?% grâce à des recommandations ciblées. Et donc ses revenus publicitaires.

De même, la station de radio Skyrock a doublé le nombre de recommandations d'amis acceptées sur sa plate-forme sociale Skyrock.com.

Autre exemple?: l'opérateur télécom Belgacom a augmenté le taux de retour de ses campagnes marketing de 400?%.

Les Predictive Offers concrétisent-elles votre stratégie cloud?? Comment fonctionnent-elles techniquement??

Techniquement, une partie de traitement s'effectue sur Salesforce. Puis, le code AppExhange interagit avec notre plate-forme cloud (actuellement hébergée sur Amazon Web Services) pour la partie statistique et l'éventuelle mise à jour des modèles.

Notre vision repose sur deux piliers?: le dataminig sur site pour des spécialistes et statisticiens, et une offre full cloud simple à déployer et utiliser. À terme, nous estimons que ces offres seront complémentaires, avec possibilité de récupérer des modèles définis sur site, et de répartir les traitements à la volée.

La proposition sur Salesforce AppExchange constitue une première étape de notre stratégie cloud.

Certes l'activité explose sur le Web. Toutefois, les systèmes traditionnels sur site (on premise) bénéficient encore d'une longueur d'avance avec ces outils d'analyse prédictive.

Néanmoins, ces logiciels sont souvent complexes, s'avèrent rigides et nécessitent des compétences peu répandues (statistique, moteurs de règles, etc.).

Les PME présentes sur le Web ont donc besoin de ce type de fonctions à leur portée pour pouvoir lutter à armes égales.

Voir aussi
Dossier : le Big Data va-t-il forcer le modèle L.A.M.P. à muter ?