Pourquoi zulily a créé une plate-forme de marketing analytique en libre-service avec Tableau et Google BigQuery

Découvrez comment zulily utilise BigQuery et Tableau pour mieux comprendre notre processus d'acquisition client.

Note du responsable éditorial : nous devons cet article à Sasha Bartashnik, responsable Marketing analytique chez zulily. zulily est une entreprise d'e-commerce à forte croissance qui pèse 1,6 milliard de dollars. Elle propose quotidiennement plus de 100 nouvelles offres afin de surprendre et d'enchanter sa clientèle féminine toujours avide de produits nouveaux et uniques. Ce texte sera suivi d'une deuxième partie.

Chaque jour, zulily lance plus de 9 000 types de produits et une centaine de nouvelles offres, convertissant ainsi des milliers de visiteurs en clients et traitant des millions d'actions d'utilisateurs. Nous sommes centrés sur les clients : nous cherchons constamment à mieux les comprendre et à optimiser leur expérience. Avec une telle quantité de données provenant aussi bien de sources internes qu'externes, il devenait compliqué et chronophage d'accéder rapidement à celles dont nous avions besoin pour nos décisions marketing. Nos analystes passaient plus de temps à écrire des lignes de code pour répondre à des demandes ponctuelles qu'à fournir des informations exploitables permettant d'aller de l'avant. Il nous fallait donc un moyen de réduire les délais afin de fournir plus vite le bon message, au bon moment, sur le bon canal et à chacun de nos clients.

C'est pourquoi nous avons créé une plate-forme de marketing analytique en libre-service qui exploite l'intégration de Google BigQuery avec Tableau. Pour la première fois, grâce à cette plate-forme, nous avons pu bénéficier d'une vue unique pour les données de tous les points de contact, notamment les publicités Facebook ou Google et les e-mails. Cela nous a permis de les fusionner avec des sources internes telles que les flux de clics, les catalogues de produits et les commandes pour accélérer et améliorer les décisions métier. BigQuery et Tableau sont devenus les principaux outils de notre équipe. Notre intégration personnalisée de ces deux technologies nous permet d'analyser rapidement des données complexes et d'étayer nos décisions marketing stratégiques en temps réel. Cet article vous propose de découvrir comment appliquer certaines de ces stratégies dans votre entreprise.

La transition vers une plate-forme de données en libre-service

Dans le cadre de mon travail chez zulily, je dirige une équipe d'analystes et de data scientists chargée d'optimiser notre stratégie marketing sur la base d'informations guidées par les données. Nous collaborons étroitement avec une équipe technique composée d'ingénieurs data et d'ingénieurs logiciels. Cette collaboration est l'un des aspects les plus gratifiants de ma fonction, car cela me permet de travailler avec une équipe créative et talentueuse. Celle-ci a pour mission de constamment renouveler des fonctionnalités visant à créer une expérience client ultra-évolutive qui génère des millions de transactions par jour sur différentes plates-formes, ainsi que de concevoir l'infrastructure et les outils qui nous servent à gérer des plates-formes fournisseurs et marketing sophistiquées. Elle n'a donc pas de temps à consacrer aux demandes opérationnelles qui sont légion dans la plupart des services IT, car elle développe les outils qui nous permettent de faire notre travail sans dépendre de l'emploi du temps et des priorités de ces ingénieurs. Par exemple, zuFlow est un outil de planification et de workflow de requêtes pour BigQuery, qui permet à tous nos analystes de générer des workflows ETL complexes à l'aide d'une interface Web pointer-et-cliquer.

De plus, notre équipe technique a la même vision que mon équipe en ce qui concerne l'utilisation des données dans la prise de décision à tous les niveaux de l'entreprise. Cela nous permet de déployer des techniques et des outils innovants. Ainsi, en 2014, lorsque notre équipe technique a réalisé que notre plate-forme de données, composée d'un serveur SQL pour les données structurées et d'un cluster Hadoop pour les données non structurées, allait atteindre ses limites, elle a eu la clairvoyance de créer une nouvelle plate-forme Big Data. Celle-ci utilise BigQuery comme entrepôt pour les données métier afin de fournir un service analytique extrêmement évolutif, et Tableau pour l'accès aux données et l'analytique visuelle afin d'accélérer la prise de décision.

Avec cette nouvelle plate-forme, la charge de travail est réduite :

  1. Envoi de toutes les données, structurées et non structurées, en temps réel et par lots, dans BigQuery.
  2. Jointure entre plusieurs sources de données par les analystes marketing et les data scientists avec le langage SQL de BigQuery.
  3. Développement de modèles sur des datamarts métier BigQuery à l'aide de divers outils courants, comme Anaconda, RStudio ou Google Cloud Datalab, sur site et dans Google Cloud.
  4. Tableau est la plate-forme de reporting et d'analytique visuelle de zulily. Les analystes marketing et les data scientists l'utilisent pour effectuer des analyses en libre-service sur les données stockées dans BigQuery et pour transmettre les informations révélées par les modèles mentionnés dans l’étape précédente. Cela nous aide à prendre des décisions en temps réel et nous offre également des perspectives stratégiques à long terme.

L'analytique en libre-service facilite les décisions marketing

L'intégration entre Tableau et BigQuery permet d'améliorer l'efficacité à deux niveaux grâce au libre-service :

  1. L'équipe analytique est plus rapide lors de l'acquisition, de l'ingestion et de l'utilisation des données pour créer des rapports et des modèles sans l'aide de l'IT pour les tâches quotidiennes.
  2. Les utilisateurs métier accèdent en temps réel aux données essentielles qui leur permettent de prendre des décisions rapides sans avoir à solliciter les analystes pour obtenir des informations basiques.

Toutes nos données étant stockées dans des tables BigQuery, mon équipe peut les interroger à n'importe quel niveau de granularité et presque sans limite de taille. Elle peut également les décomposer pour créer de nouveaux critères d'analyse et alimenter nos modèles comme nous le souhaitons. Nous pouvons alors explorer ces données plus en détail et créer des rapports et des visualisations dans Tableau pour partager données et modèles avec les utilisateurs finaux. Avec Tableau, les utilisateurs métier peuvent également aller plus loin dans le détail et observer les indicateurs clés afin de comprendre les performances de l'ensemble des publicités, programmes et canaux.

Pour améliorer l'efficacité dans les deux domaines mentionnés ci-dessus, l'équipe du marketing analytique devait créer une seule vue consolidée du client. Nous avons commencé par combiner toutes les données marketing que l'équipe technique ajoute dans BigQuery, y compris les données sur les coûts et les clics pour les publicités Facebook et Google, les envois d'e-mails et tout autre point de contact marketing. Ensuite, nous les avons associées aux flux de clics, aux transactions de commande et à d'autres métadonnées sur les actions du client au niveau du client et de la publicité avec le langage SQL de BigQuery. Avant BigQuery, la combinaison de telles quantités de données prenait beaucoup trop de temps. Aujourd'hui, selon la requête, nous obtenons des résultats en quelques minutes, voire en quelques secondes. Cette rapidité permet à l'équipe de créer des modèles de données basés sur l'ensemble des caractéristiques comportementales des clients, telles que le temps passé sur le site, les habitudes de navigation, ou encore la fréquence d'interaction avec les e-mails. Désormais, nous pouvons rattacher ce modèle de données client complet à la campagne publicitaire marketing à l'origine du comportement.

Informations inédites sur l'acquisition client avec Tableau et Google BigQuery

Grâce à cette approche libre-service et au modèle client en place, notre équipe technique est libre de se concentrer sur des aspects plus stratégiques comme l'élaboration d'une architecture système robuste permettant d'optimiser les publicités en temps réel. L'équipe du marketing analytique peut, quant à elle, analyser plus en détail ce qui est essentiel à la compréhension de notre activité. Comme Tableau permet à nos utilisateurs métier de trouver eux-mêmes des réponses à leurs questions, ou de manipuler les données, notre équipe n'a plus à gérer la mise à jour quotidienne des rapports, ni la prise en charge des demandes basiques de modification des données. Nous pouvons désormais utiliser la plate-forme de données de zulily pour développer des modèles avancés de machine learning qui favorisent l'acquisition client et permettent de mieux comprendre l'expérience client.

Toutes les données de zulily sont maintenant disponibles dans BigQuery. Nous sommes donc en mesure de concevoir un modèle de machine learning robuste pour prédire la valeur vie client en analysant divers comportements des clients, puis en rattachant les résultats à des campagnes marketing spécifiques pour en mesurer les performances à long terme.
Pour ce faire, nous fixons une valeur vie client de référence qui nous permet d'identifier les clients existants très prometteurs. Nous utilisons ensuite le gradient boosting pour plus de 1 000 variables transactionnelles et comportementales et nous testons des centaines de modèles. Nous les réduisons enfin à une trentaine de critères clés qui contribuent à prédire la valeur vie client de nos clients.

Au final, nous obtenons un modèle capable de prédire avec précision la probabilité qu'un nouvel acheteur zulily ait une valeur vie client élevée. Nous pouvons alors relier ces prédictions aux ensembles de données marketing stockés dans BigQuery et présenter les données combinées des performances marketing dans des tableaux de bord très dynamiques et personnalisables, que nous appelons Channel Metrics Dashboard (CMD) en interne, sur Tableau Server. Ces tableaux de bord permettent aux responsables et aux spécialistes marketing de générer facilement leurs propres informations exploitables avec des données existantes ou prédites en sélectionnant les indicateurs, les plages de date et même la granularité dont ils ont besoin en créant des graphiques et des rapports personnalisés directement sur le serveur. Cette solution permet à l'équipe marketing de zulily d'optimiser les campagnes, les e-mails et les offres pour les clients témoignant du meilleur taux d'engagement avec la marque.

Lorsque nous avons adopté cette nouvelle plate-forme de données, les équipes de l'assistance et les ingénieurs de zulily, Google Cloud et Tableau nous ont apporté une aide précieuse.

La suite de cet article fournira des astuces et des conseils sur l'intégration entre BigQuery et Tableau.