1. Le Web Analytics
au service de l’ e-Management
Khalil Gdoura - Statisticien
P r é s e n t a t i o n a c c u e i l l i e p a r l ’ E c o l e S u p é r i e u r e d e s
S c i e n c e s E c o n o m i q u e s e t d u C o m m e r c e d e T u n i s
11 Novembre 2010
3. Quelques facettes de l’e-Business
Gestion Électronique de Documents (GED)
Gestion de la Relation Client (CRM)
Informatique décisionnelle (Business Intelligence)
4. Quelques solutions de e-Commerce
Boutiques et catalogues en ligne (modèle: B2C)
Comparateurs de prix (modèles: B2C et C2C)
Places de marché (modèle: B2B)
5. Point de vue Manager :
Comment rentabiliser
mon site web ?
6. Site web : Modèles économiques
Vente en ligne de biens
Services et/ou contenu partiellement payant
Revenus publicitaires
13. Une visite web peut-être décrite par :
Source / Géolocalisation
Date et heure / Durée
Schéma navigationnel
Quelque soit le site visité
14. Un utilisateur est caractérisé par :
Age et Genre
Ses centres d’intérêt / cursus / carrière / …
Expérience avec le site: activité / commandes
S’il y a un espace-membre
15. Comprendre le comportement du visiteur
Combiner les données sur les visites
et/ou sur les utilisateurs
Procéder aux ajustements nécessaires
au niveau du site et des campagnes
Réaliser son objectif = Maximiser son profit
16. Web mining : la solution e-Business
Techniques de fouille de données
Voies de recherche multiples
Applications : Content / Structure / Usage
17. Web mining : la solution e-Business
Techniques de fouille de données
Voies de recherche multiples
Applications : Content / Structure / Usage
18. Web usage mining : Quelques applications
Analyse du « panier de ménagère »
Profiling des utilisateurs d’un site.
Analyse de l’évolution des comportements
Méthodes statistiques utilisées
19. Web usage mining : Quelques applications
Analyse du « panier de ménagère »
Profiling des utilisateurs d’un site.
Analyse de l’évolution des comportements
Méthodes statistiques utiliséesRègles d’associations
20. Web usage mining : Quelques applications
Analyse du « panier de ménagère »
Profiling des utilisateurs d’un site.
Analyse de l’évolution des comportements
Méthodes statistiques utiliséesRègles d’associationsClassification (approche évolutive)
21. Cas d’étude : www.en-tunisie.net
Thématique : Tourisme
Modèle économique : Publicité / Annuaire
Trafic : moyenne de 200 visites / jour
Problématique
22. Cas d’étude : www.en-tunisie.net
Thématique : Tourisme
Modèle économique : Publicité / Annuaire
Trafic : moyenne de 200 visites / jour
ProblématiqueA quoi est dû l’intérêt des visiteurs ?
23. Méthodologie suivie
Identifier les variables explicatives (indépendantes)
Construire la variable à expliquer (dépendante)
Construire le modèle (modèle de régression logistique)
Valider le modèle (validation croisée)
Interpréter et formuler les recommandations.
24. Construction de la variable dépendante
Variable à 2 issues : objectif réalisé ou non
Objectif : Durée prolongée de visite
Objectif atteint si Durée dépasse 150 secondes
On appellera cette variable binaire Qualité
25. Construction des variables explicatives
Origine Pays Heure Zone i du site
Moteur de recherche Tunisie Matinée Visitée
Site référent Etranger Après-midi Non visitée
(Accès direct) Soir
28. Comment lire et interpréter les résultats ?
Forme du modèle :
Effet individuel de chaque facteur
Signe du coefficient positif : facteur affecte la proba
de conversion de l’objectif
Valeur du coefficient (exponentielle) : poids du facteur
Possibilité de combiner plusieurs facteurs
31. La solution Google Analytics
pour modéliser un objectif et
mesurer son taux de conversion
32.
33. Le A/B Testing pour optimiser
l’ergonomie des pages et
améliorer le taux de conversion
34. VS.
A/B Testing dans le e-commerce
Avec quel design obtiendra-on plus de
conversions (ajout au panier) ?
35. Les cartes de chaleur ou la
visualisation du comportement
des visiteurs sur une page.
36.
37. La solution Google Adwords :
payer son positionnement
tout en calculant son ROI
38.
39. Outil : Google Search Insights
Comprendre les tendances des recherches
Lancer ses campagnes G.Adwords au bon
moment
Maximiser le taux de conversion et donc le ROI
E-commerce : transactions en ligne (clients , fournisseurs , distributeurs ) b2b + b2c
E-business : pratiques business sur le web, compétitivité
E-management :
Boutiques : scoop informatique
---
Une « place de marché » (en anglais market place ou e-marketplace pour place de marché électronique) est une plate forme d'échange virtuelle fédérant les offres et demandes de clients et de vendeurs professionnels pour un secteur d'activité particulier (industrie aéronautique, industrie automobile, pharmacie et santé, etc.) ou un segment de marché spécifique (fournitures de bureau, etc.).
Il s'agit donc d'une plate-forme technique créée par un tiers, le Maître de la Place de Marché, offrant des mécanismes de transaction sécurisées permettant à des entreprises de trouver des fournisseurs à des conditions tarifaires particulièrement intéressantes grâce à des systèmes d'enchères ou d'appels d'offres.
Les places de marché ont ainsi tendance à accentuer la compétitivité des entreprises.
---
Comparateurs : produits / boutiques mis en relief
Enchères en ligne (c2c) ebay
Boutiques référencées
Moteur de recherche
Boutiques : scoop informatique
---
Une « place de marché » (en anglais market place ou e-marketplace pour place de marché électronique) est une plate forme d'échange virtuelle fédérant les offres et demandes de clients et de vendeurs professionnels pour un secteur d'activité particulier (industrie aéronautique, industrie automobile, pharmacie et santé, etc.) ou un segment de marché spécifique (fournitures de bureau, etc.).
Il s'agit donc d'une plate-forme technique créée par un tiers, le Maître de la Place de Marché, offrant des mécanismes de transaction sécurisées permettant à des entreprises de trouver des fournisseurs à des conditions tarifaires particulièrement intéressantes grâce à des systèmes d'enchères ou d'appels d'offres.
Les places de marché ont ainsi tendance à accentuer la compétitivité des entreprises.
---
Comparateurs : produits / boutiques mis en relief
Enchères en ligne (c2c) ebay
Boutiques référencées
Moteur de recherche
Délimiter des espaces
Délimiter des espaces
Délimiter des espaces
Délimiter des espaces
Visite web : individu statistique
Données : qualitatives, quantitatives,
Date ?
Visite et non pas visiteur !
Citer l’exemple du facebook
Enrichir l’information statistique
E-commerce : transactions en ligne (clients , fournisseurs , distributeurs ) b2b + b2c
E-business : pratiques business sur le web, compétitivité
E-management :
Structure ?
Content >> gestion de document
Structure ?
Content >> gestion de document
1 - Il s’agit de la découverte des règles d’associations à partir des navigations sur le site. Dans le cas d’une boutique en ligne, l’analyse des sessions selon cette approche a plutôt pour but de rechercher des corrélations entre les produits commandés, en tenant même compte du temps séparant les transactions [5]. Le but final de cette étude est de mieux guider le gérant de la boutique en ligne à optimiser l’ergonomie de son catalogue pour s’aligner aux comportements fréquents des utilisateurs du site.
2 - Usage Profiling : on analyse les sessions plutôt que les visiteurs uniques
3 – Il est aussi important de tenir compte de l’aspect temporel dans ces analyses. En effet, la manière dont une visite est réalisée peut changer en raison de modifications liées à la structure et au contenu du site lui-même, ou bien en raison du changement de comportement de certains groupes d’utilisateurs ou de l’émergence de nouveaux comportements. Ainsi, les modèles associés à ces comportements doivent être mis à jour continuellement afin de mieux refléter le comportement actuel des internautes. Une solution, proposée dans cet article, est de mettre à jour ces modèles de comportements à l’aide des résumés obtenus par
une approche évolutive des méthodes de classification. Pour ce faire, nous effectuons une partition de la période disponible de temps en sous-périodes de temps
plus significatives. Nous comparons les résultats obtenus par cette méthode avec ceux obtenus par une analyse globale.
Alzennyr Da Silva, Yves Lechavellier, Fabrice Rossi et Francisco De Carvalho [6] se sont intéressés à l’analyse des données évolutives. On soupçonne que l’usage du web peut être facteur du temps, surtout quand il s’agit d’un site événementiel ou vendant un quelconque produit touristique. Dans ce cas, on divise la période étudiée en sous périodes significatives, le plus souvent des mois, chacune est soumise à une classification. La période entière aussi. Plusieurs classifications sont définies, locales et globales, en tenant compte de la dépendance ou non des sous périodes. Le but final est de confronter les partitions obtenues grâce à ces classifications pour pouvoir tirer des conclusions sur le caractère saisonnier ou non du trafic sur le site étudié.
1 - Il s’agit de la découverte des règles d’associations à partir des navigations sur le site. Dans le cas d’une boutique en ligne, l’analyse des sessions selon cette approche a plutôt pour but de rechercher des corrélations entre les produits commandés, en tenant même compte du temps séparant les transactions [5]. Le but final de cette étude est de mieux guider le gérant de la boutique en ligne à optimiser l’ergonomie de son catalogue pour s’aligner aux comportements fréquents des utilisateurs du site.
2 - Usage Profiling : on analyse les sessions plutôt que les visiteurs uniques
3 – Il est aussi important de tenir compte de l’aspect temporel dans ces analyses. En effet, la manière dont une visite est réalisée peut changer en raison de modifications liées à la structure et au contenu du site lui-même, ou bien en raison du changement de comportement de certains groupes d’utilisateurs ou de l’émergence de nouveaux comportements. Ainsi, les modèles associés à ces comportements doivent être mis à jour continuellement afin de mieux refléter le comportement actuel des internautes. Une solution, proposée dans cet article, est de mettre à jour ces modèles de comportements à l’aide des résumés obtenus par
une approche évolutive des méthodes de classification. Pour ce faire, nous effectuons une partition de la période disponible de temps en sous-périodes de temps
plus significatives. Nous comparons les résultats obtenus par cette méthode avec ceux obtenus par une analyse globale.
Alzennyr Da Silva, Yves Lechavellier, Fabrice Rossi et Francisco De Carvalho [6] se sont intéressés à l’analyse des données évolutives. On soupçonne que l’usage du web peut être facteur du temps, surtout quand il s’agit d’un site événementiel ou vendant un quelconque produit touristique. Dans ce cas, on divise la période étudiée en sous périodes significatives, le plus souvent des mois, chacune est soumise à une classification. La période entière aussi. Plusieurs classifications sont définies, locales et globales, en tenant compte de la dépendance ou non des sous périodes. Le but final est de confronter les partitions obtenues grâce à ces classifications pour pouvoir tirer des conclusions sur le caractère saisonnier ou non du trafic sur le site étudié.
1 - Il s’agit de la découverte des règles d’associations à partir des navigations sur le site. Dans le cas d’une boutique en ligne, l’analyse des sessions selon cette approche a plutôt pour but de rechercher des corrélations entre les produits commandés, en tenant même compte du temps séparant les transactions [5]. Le but final de cette étude est de mieux guider le gérant de la boutique en ligne à optimiser l’ergonomie de son catalogue pour s’aligner aux comportements fréquents des utilisateurs du site.
2 - Usage Profiling : on analyse les sessions plutôt que les visiteurs uniques
3 – Il est aussi important de tenir compte de l’aspect temporel dans ces analyses. En effet, la manière dont une visite est réalisée peut changer en raison de modifications liées à la structure et au contenu du site lui-même, ou bien en raison du changement de comportement de certains groupes d’utilisateurs ou de l’émergence de nouveaux comportements. Ainsi, les modèles associés à ces comportements doivent être mis à jour continuellement afin de mieux refléter le comportement actuel des internautes. Une solution, proposée dans cet article, est de mettre à jour ces modèles de comportements à l’aide des résumés obtenus par
une approche évolutive des méthodes de classification. Pour ce faire, nous effectuons une partition de la période disponible de temps en sous-périodes de temps
plus significatives. Nous comparons les résultats obtenus par cette méthode avec ceux obtenus par une analyse globale.
Alzennyr Da Silva, Yves Lechavellier, Fabrice Rossi et Francisco De Carvalho [6] se sont intéressés à l’analyse des données évolutives. On soupçonne que l’usage du web peut être facteur du temps, surtout quand il s’agit d’un site événementiel ou vendant un quelconque produit touristique. Dans ce cas, on divise la période étudiée en sous périodes significatives, le plus souvent des mois, chacune est soumise à une classification. La période entière aussi. Plusieurs classifications sont définies, locales et globales, en tenant compte de la dépendance ou non des sous périodes. Le but final est de confronter les partitions obtenues grâce à ces classifications pour pouvoir tirer des conclusions sur le caractère saisonnier ou non du trafic sur le site étudié.
Citer l’exemple du facebook
Enrichir l’information statistique
Citer l’exemple du facebook
Enrichir l’information statistique
Citer l’exemple du facebook
Enrichir l’information statistique
Citer l’exemple du facebook
Enrichir l’information statistique