L’enjeux consistait à présenter simplement « l’offre de Total ». Pour cela, l’implication de toutes les branches du groupe était indispensable.
Maxime Toubia
Had of Development, Spark

Total

Total est une entreprise pétrolière et gazière française. Elle est la cinquième des six plus grosses entreprises du secteur à l'échelle mondiale et réalise plus de 180 milliards de chiffre d'affaires par an. Partant du constat que les utilisateurs rencontrent des difficultés pour trouver le bon site Total (il en existe plus de 300), la bonne information et que l'offre de service était globalemen

Secteur :
Energie
Localisation :
International
Témoignage :
Maxime Toubia

Comment analyser 80k requêtes sur 7 pays ?

1

Collecte des mots clés

Définition du thésaurus de mots-clés
2

Catégorisation et traduction

Définition des catégories et des sous thématiques. Adaptation du thésaurus aux autres langues
3

Agrégation et reporting

Calcul de la volumétrie des mots-clés et travail de data visualization

Collecte des mots clés

Afin de comprendre les besoins des utilisateurs dans 7 marchés différents, la première étape a été la réalisation d’une étude sémantique. Cette étude sémantique se traduit par la collecte de l’ensemble des requêtes gravitant autour de l’offre de services Total. 

Cette collecte de mots-clés a été réalisée selon une méthodologie fine. Notamment en scrappant les différents sites Total, en analysant la google search console et les termes de recherches sur google ads. Ces différentes analyses ont permis de générer 2500 mots clés racine.

Cette liste a été enrichie,  principalement via les outils ahrefs et google keyword planner. Cette étape a permis de dégager 80K mots-clés pertinents, en français et en anglais.

Catégorisation et traduction

Une fois cette étape d’étude sémantique réalisée, il a fallu catégoriser ces mots-clés afin d’identifier et de dégager une potentielle arborescence. Afin d’identifier finement les grandes familles de besoins des utilisateurs, la catégorisation a été effectuée selon deux niveaux de détails : les catégories et les sous-catégories. Ce travail de hiérarchisation permet de rapidement identifier les thématiques prioritaires, nécessitant une création de contenu. 

Afin de catégoriser ce thésaurus de mots-clés aisément, nous avons utilisé des modules de Data Science sur dataiku (n-grams extracts).

Une fois cette étape de catégorisation réalisée. Nous avons mené un vaste chantier de traduction pour identifier les correspondances dans les  marchés ciblés par Total. Ce travail de traduction et d’enrichissement de mots-clés a été réalisé grâce à un réseau de partenaires internationaux.

Agrégation et reporting

Ces étapes de catégorisation et de traduction réalisées, le calcul des volumes associés et la construction de dashboard facilitant la visualisation des données récoltées ont été mis en place.

Nous avons utilisé l’outil tiers Ahref, pour le calcul de volumétrie associé à chaque termes de recherche. Nous avons ensuite croisé les données avec d’autres outils, pour s’assurer de leur précision. L’output de cette étape est la liste de termes de recherches (traduits et catégorisés) enrichie des volumes de recherches segmentés par pays. Le stockage de ce vaste nombre d’ informations en base de données (PostgreSQL).

La dernière étape de notre méthodologie consistait à présenter, au global et par pays, les enseignements suivants :

  • Quels sont les besoins liés à Total  les plus recherchés (analyse au niveau “catégories”).
  • Au sein de chaque catégorie, comment ces besoins sont-ils exprimés (analyse au niveau “tags”).
  • Au sein de chaque catégorie, quels sont les termes les plus tapés (analyse au niveau le plus profond, “termes de recherches”).

Pour répondre à ces différents enseignements, nous avons créé un dashboard de data visualisation et d'analyse via l’outil Metabase. Ce dashboard a permis aux équipes Total de réaliser des analyses spécifiques en fonction de leurs besoins grâce à la mise à disposition de filtres variés : catégories, sous-catégories, pays.

Résultats

Nos autres Business Cases