Elias

HADAYA

Director of Insight and Research

Vision du Monde Canada

Customer Intelligence et Big Data au service d’une ONG

 

retour au sommaire

Quelques mots sur Vision Mondiale Canada ? Le but de l’organisme et ses challenges ?

 

La mission de l’organisation est de travailler à travers le monde dans les pays les plus en difficulté en termes de développement international. Nous travaillons dans 255 communautés à travers 48 pays en lien avec les leaders locaux, les communautés, les familles et les enfants. Vision Mondiale Canada fait une levée de fond d’à peu près 400 millions de dollars (CDN) par an et vient en aide à près de 500 000 enfants à travers le Monde. Vision du Monde internationale réalise une levée de fonds de près de 2,7 milliards de dollars à travers une centaine de pays. Il s’agit d’un organisme de bienfaisance d’envergure, une large organisation avec une grande capacité à utiliser les données.

 

Quand nous commençons une mission d’aide, cela prend à peu près 10 à 15 ans pour rendre le village et la communauté indépendants. Nous évaluons les besoins et agissons sur de nombreux secteurs qui sont la fondation de la survie humaine tels que l’éducation, la santé, le développement durable, la nutrition, l’agriculture... Nous faisons également un travail de lobbying et d’Advocacy auprès des gouvernements, pour la lutte contre l’esclavagisme et les abus sur les enfants dans les pays en voie de développement pour aider au développement durable et éthique. Nous travaillons également auprès des gouvernements de pays développés comme le Canada ou la France, l’Union Européenne et les Nations Unies. Nous sommes la voix de ceux qui n’ont pas de voix. Nous travaillons enfin avec le World Food Program pour être certains de pouvoir amener le développement et la voix des médias, là où ils sont nécessaires.

 

 

L’équipe Analytics de Vision du Monde

 

Je dirige l’équipe recherche et Big Data canadienne composée de 18 personnes, qui gèrent le descriptif, la production de rapport et Dashboards… jusqu’au prédictif. « We cover a wide range of projects, but we are also deep », nous ne pouvons plus nous contenter d’un seul modèle prédictif, l’horizon de travail devient de plus en plus large et de plus en plus complexe. Une partie de l’équipe est spécialisée en statistiques, mathématiques et Data Science et l’autre partie est composée de personnes qui ont un profil très affaires. Recruter représente une véritable difficulté pour Vision du Monde car nous sommes régis par l’équivalent canadien de la Direction des Finances Française et nous ne pouvons utiliser plus d’un certain ratio pour la levée de fonds et l’administratif. Il est donc très difficile d’attirer les bons talents. Un de mes conseils serait de pas tomber dans le piège de chercher uniquement des superstars pour former une telle équipe mais de se doter de bons spécialistes dans leur domaine d’affaires.

 

 

Comment avez-vous construit votre expertise en Data Analytics au sein de Vision du Monde ?

 

Quand je suis rentré en poste, je me suis rendu compte qu’il s’agissait d’une équipe forte, mais avec un questionnement fort sur la valeur apportée par l’équipe. Tous les membres de l’équipe de direction ont déclaré qu’il s’agissait d’un véritable avantage compétitif d’avoir une équipe dédiée au Big Data, en revanche peu d’entre eux ont réussi à me décrire la valeur unique de l’équipe pour l’entreprise. J’ai donc commencé par positionner l’analytique, comme un véritable domaine d’affaire. C’est une pensée qui est très présente en France mais pas au niveau nord-américain. Si c’est un domaine d’affaires, un métier, il faut le traiter en tant que tel, il faut investir dans les bonnes ressources, dans les données, dans la technologie et être maître et leader des décisions prises au sein de son équipe. Nous sommes ainsi passés d’une utilisation très tactique de l’information à une utilisation très stratégique, nous avons fait de la segmentation, du predictive modeling, du digital analytics, afin d’étudier les réactions des clients sur nos outils internet etc.

Les données sont primordiales, tout d’abord pour comprendre les personnes avec qui nous travaillons pour faire la levée de fonds, comprendre le marché, les canadiens et ce qui motive leur décision de faire un don. L’analyse des données nous permet de mettre en place un targeting ciblé pour des actions efficaces sur le bon segment et pour la bonne initiative.

 

Les données sont également indispensables pour améliorer l’expérience client et offrir en contrepartie des dons, la possibilité de faire partie d’un organisme qui sauve des vies, d’un groupe qui a de l’influence. Dans le passé, nous n’avions pas de traitement personnalisé pour nos donateurs. Nous sommes passé d’un traitement marketing « taille unique » à un traitement marketing personnalisé basé sur les caractéristiques propres à chaque segment.

Nous vivons dans un Monde où les clients vont sur Amazon et profitent d’une très bonne expérience digitale et utilisateur. Nous sommes une oeuvre de bienfaisance, avec moins de possibilité qu’Amazon ou Ebay, néanmoins nos donateurs, quand ils visitent notre site web ou interagissent avec nous, s’attendent à la même expérience et la même qualité d’échange. Il est donc impératif de les comprendre, les rencontrer là où ils sont pour pouvoir faire des levées de fonds efficace.

 

Enfin, nous souhaitons utiliser les données pour faire une programmation de l’aide efficace. Il y a énormément de projets et les données, telles que le nombre d’enfants aidés, la localisation des communautés aidées, sont gérées par les responsables de programme directement, de même pour les KPIs et Dashboards qui présentent ces éléments. Notre équipe commence à s’y intéresser et à vouloir amener plus de sophistication dans ce domaine, mais nous en sommes encore aux balbutiements sur l’utilisation du Big Data dans ce domaine.

 

 

Comment êtes-vous positionnés par rapport à votre Direction ?

 

Je reporte directement au Chief Marketing Officer. Elle reporte, elle-même, directement au président. Il n’y a donc qu’un niveau entre moi et le président et cela positionne la data et mon équipe à un niveau très stratégique. Nous avons collecté toutes les données et avons regardé les Survival Analysis de tous les donateurs pour appréhender quel était le risque d’annulation de leur aide. Nous avons ainsi construit un modèle de Forecasting des dons sur les cinq prochaines années qui a été présenté au conseil d’administration. Ce modèle permet de piloter les activités pour savoir dès qu’une action est lancée, quel en sera l’impact dans 5 ans et quelles seront la durabilité et rentabilité des projets.

J’ai également revu la structure de l’équipe en 2012. Avoir des gens qui connaissent les données, capables de les forer et de les analyser est primordial, mais il est tout aussi important d’avoir des personnes, qui ont un Business Acumen, une très bonne connaissance des affaires et de la levée de fond. J’ai donc décidé de créer des Business Partners, ce sont des partenaires d’affaires internes pour tout le Marketing. Ils sont dans les rencontres d’équipes des autres divisions afin d’écouter les besoins, ce qui leur permet d’être vraiment connectés au business et d’avoir une approche plus stratégique, lorsqu’ils développent des projets. N’engager que des Data Scientists est un vrai danger. Ne pas avoir de gens d’affaires au sein d’une équipe analytique, c’est prendre le risque que le pouvoir réside dans les personnes qui ne comprennent pas l’analytique et le data. Nous sommes partis d’une logique, dans laquelle on nous demandait de fournir un chiffre, pour aboutir à un rôle de consultation de l’équipe sur des problèmes d’affaires.

 

 

Quelles technologies utilisées ? Du prédictif ? Des modèles développés en interne ?

 

Nous faisons du descriptif, du reporting, nous utilisons notamment des outils IBM dernier cri mais nous avons aussi tout un pan prédictif : nous avons en effet développé des modèles pour savoir quelles personnes cibler avec quelle offre mais également pour prédire qui va arrêter son soutien aux enfants.

Pour ce dernier cas, nous nous appuyons sur un modèle de survie ou Survival Model.

 

Nous utilisons également la segmentation de marché, basée sur une méthodologie mixant trois techniques : l’analyse par composante principale, la segmentation hiérarchique et les K-means. Chacune de ces trois façons de segmenter comporte des forces et faiblesses, nous avons donc souhaité tirer le meilleur des trois techniques, afin de développer notre propre technique de segmentation.

Nous segmentons, depuis un an et demi, les différents types de donateurs, ce qui nous a permis de revoir notre stratégie marketing sur chacun des segments. Nous avons une démarche plus ciblée et commençons le traitement de la Customer Journey, du parcours consommateur complètement basé sur les données.

Quel est le segment ? Quelle est la proposition de valeur faite à ce segment d’affaires ? Quel est le parcours client pour pouvoir livrer cette expérience ? Quels sont les endroits de l’entreprise où l’on fait cela bien, ou alors les endroits où le parcours est brisé ? On va avoir de plus en plus, un parcours client basé sur les données et non sur les intuitions du marketing.

Nous souhaitons enfin utiliser le Text Mining sur des données non structurées. Nous avons énormément de texte saisi dans nos centres d’appel. Il s’agit d’une grande opportunité pour améliorer l’expérience client. Selon Oracle, 80% des données qui existent dans le monde sont non structurées. Les données financières et transactionnelles le sont déjà. Naturellement, si j’ai un conseil à donner, c’est de commencer par les données structurées disponibles, mais ce sont des données « after the fact », par exemple le cas d’une annulation, d’une cessation de paiement ou un déménagement. Les données non structurées sont souvent des données qui reflètent ce qui se passe à un temps T. Ce sont des « Leading Indicators » qui vont être prédictifs et pas uniquement descriptifs.

 

 

Quelles sont les différentes sources des données récoltées ?

 

Nous collectons les données transactionnelles (dons, interactions entre donateurs et Vision Mondiale) dans une nouvelle base de données. Nous avons souhaité construire une image globale du donateur, une vue 360° du donateur. Nous avons ainsi construit un entrepôt de données, structuré autour du donateur. Les données électroniques sont récoltées d’une manière descriptive, mais nous voulons les ramener dans un endroit centralisé pour les marier avec les données transactionnelles. Sur la partie authentifiée de notre site web, nous pouvons aller chercher les données transactionnelles du donateur identifié pour un parcours personnalisé à son segment d’affaires. Nous utilisons également des données de recherche externes. Nous avons mis en place deux plateformes électroniques pour faire de la recherche : un panel sur la population canadienne et un sur les autres donateurs. Nous utilisons souvent ces panels pour tester les actions et campagnes marketing. Il y a 3 ans, nous faisions un ou deux sondages par an, maintenant nous réalisons une quarantaine d’études, cela nous permet de réagir très rapidement et d’être plus agile.

Nous générons des rapports ou des études mais nous emmagasinons également les données dans une base de données pour voir l’évolution des réponses sur les trois dernières années. Ces données sont ensuite intégrées dans IBM Modeler. Nous n’utilisons pas uniquement ce que nos donateurs nous disent mais également qui ils sont, nous essayons ainsi d’étudier leur comportement post étude. Les données ne peuvent plus être uniquement transactionnelles, toutes les données doivent être rapprochées pour avoir une histoire globale.

 

 

Est-ce que vous avez observé des résultats directs de l’Analytique mis en place ?

 

Au niveau de l’utilisation de la segmentation et des modèles prédictifs, nous avons par exemple pu cibler nos efforts sur un des segments, qui sponsorise un enfant par donateur avec une moyenne de 30 euros par mois, en revanche ils ne donnaient rien d’autre et ne soutenaient aucun autre programme. Malgré nos tentatives de communication et mails personnalisés, nous n’avions pas de réponse. Nous avons pu les isoler, nous avons utilisé les « online panels », fait des focus groupes, des rencontres clients et nous nous sommes rendus compte qu’ils aimeraient communiquer avec l’enfant aidé et avoir une relation à travers des lettres par exemple. Nous avons fait un test en envoyant une enveloppe transparente indiquant qu’il s’agissait uniquement d’une communication pour aider à prendre contact avec l’enfant, sans demande de dons. Grace aux insights data, nous sommes passés d’un taux de réponse de 0 à 20% : nous les avons fait réagir.

 

 

Vous dites pouvoir vous inspirer des entreprises privées ? Est-ce que vous avez des exemples d’entreprises qui ont pu vous servir d’inspiration ?

 

Nous pouvons tirer inspiration du domaine de la fraude bancaire, nous devons apprendre de leurs techniques et manière d’utiliser les statistiques avancées, pour comprendre qui sont les influenceurs et les ambassadeurs pour les futurs donateurs. Au niveau du commerce électronique, nous pouvons également nous inspirer des recommandations faites pour des produits complémentaires sur Amazon par exemple, qui viennent ajouter de la valeur pour le donateur et non pour l’organisme uniquement. Cela est rendu possible avec des données structurées et non-structurées et par une réaction rapide. Nos donateurs passent en moyenne 5 à 7 minutes sur notre site web, il faut que nous puissions non seulement avoir la donnée (elle est générée très rapidement si elle est taguée) mais surtout avoir derrière un engin de calcul live pour nous permettre de faire des recommandations business.

 

Notre objectif final est de marier toutes ces données récoltées sur le moment avec des données non structurées : offline, segments, modèles.

Elias Hadaya a grandi en France et après les Ecoles Préparatoires, il a obtenu un diplôme de DEA en Econométrie et un Magistère d’Ingénieur Economiste. Il a travaillé pendant une quinzaine d’années dans le milieu bancaire et des télécommunications. Son dernier rôle, occupé pendant

plus de 8 ans, était celui de Vice-Président adjoint Consumer Insight. Il avait la responsabilité des Databases marketing, du Data Mining et était également pilote d’affaires pour déployer la solution CRM à travers toutes les succursales bancaires.

 

Il a été approché pour un poste au sein de Vision Mondiale Canada dont le siège social est en Ontario à Toronto. Sa femme et lui soutenaient l’organisation depuis plusieurs années et il était au Conseil d’administration d’une autre ONG qui venait en aide aux jeunes défavorisés. Il a décidé de rejoindre Vision Mondiale Canada surtout en raison de la cause humanitaire, de leur plan d’affaires, et de la possibilité offerte de mettre le domaine du Big Data et de l’Analytics au service d’un organisme de bienfaisance qui sauve des vies.