Recevez chaque jour toute l'actualité du numérique

x

[Tribune] La valorisation des données, un enjeu si mal maîtrisé

Les nouvelles technologies ont rendu possible la collecte et l’exploitation d’une masse de données importante et c’est ainsi que la donnée a fini par être considérée par tous comme un actif clé de l’entreprise. Mais comme tout actif, son exploitation a un coût et nécessite en l’occurrence la mise en place d’écosystèmes IT importants. Par François Cousi, associé du cabinet conseil PMP, et Olivier Leroy, créateur du datalab de PMP. 
Twitter Facebook Linkedin Flipboard Email
×

[Tribune] La valorisation des données, un enjeu si mal maîtrisé
[Tribune] La valorisation des données, un enjeu si mal maîtrisé © Victoire Saugnac

Nous digitalisons progressivement notre monde, par pans entiers. De nouvelles questions philanthropiques naissent chaque jour de ces transformations rapides, témoignages d’une époque de transition. Les débats sont passionnants et passionnés car il est difficile de se projeter tant la technologie progresse et se propage à grande vitesse. L’économie et les entreprises voient, elles-aussi, évoluer leurs lois. Les nouveaux acteurs nés de l’économie digitale ont imposé en 20 ans des normes très élevées en matière de connaissance et d’expérience client, de personnalisation des offres, d’information temps réel, de capacité de traitement. Et comme aime à le rappeler l’un de mes clients : "On ne peut pas avoir à la maison un Alexa d’Amazon qui réserve nos billets de train et au travail un chatbot qui répond 'mécaniquement' avec une compréhension mitigée de la question."

 

Cette problématique est l’apanage de toutes les entreprises traditionnelles : muer vers les standards du nouveau monde pour ne pas rester sur le carreau. Qui n’a pas entendu parler de transformation digitale ? Quelle société de conseil n’est pas désormais spécialiste de transformation digitale ? Ce terme commence d’ailleurs à être dépassé : un acteur qui n’a pas commencé son programme de mutation en 2020 est désormais classé dans les retardataires.

 

Finis les POC qui ne passent pas à l’échelle

Le McKinsey Global Institute a publié fin 2018 une étude, "Notes from the AI frontier: Modeling the impact of AI on the world economy" sur l’adoption de l’IA par les entreprises et son impact sur l’économie, les marchés et la concurrence. L’institut propose dans cette analyse prospective une simulation intéressante : à horizon 2030, le groupe de tête des entreprises ayant investi fortement en IA (et d’une manière générale ayant valorisé ses données) peut espérer un bond de 120% de ses cash flows. A l’opposé les entreprises restées à quai subiront une érosion de plus de 20% de revenus. Ce n’est guère mieux pour le paquet du milieu, les suiveurs, c’est-à-dire la majorité des entreprises historiques : leurs cash flows stagneront avec une légère augmentation de +10%. Selon cette même étude les bénéfices pour les meilleurs se feront ressentir bien avant 2030 accentuant progressivement l’écart.

 

En 2020 il est donc temps de sonner "la fin de la récré" : finis les POC (proof of concept) qui ne passent pas à l’échelle, les datalabs isolés dont aucune valeur ne sort pour les métiers. La valorisation des données est devenue un sujet stratégique pour les entreprises.

 

La donnée, un actif clé

Les nouvelles technologies ont rendu possible la collecte et l’exploitation d’une masse de données importante, c’est ainsi que la donnée a fini par être considérée par tous comme un actif clé de l’entreprise. Comme tout actif, son exploitation a un coût et nécessite en l’occurrence la mise en place d’écosystèmes IT importants. Une stratégie de valorisation des données avec une ambition, des objectifs ciblés et un ROI est nécessaire pour déterminer et prioriser les besoins techniques, justifier les investissements souvent importants et maîtriser le timing. Pour éclaircir l’importance du sujet, illustrons ce que l’on entend par valorisation des données.

 

  • L’écoute des réseaux sociaux permet aux marques d’avoir des retours sur l’image de leurs produits et également de créer des offres promotionnelles en accord avec les attentes des clients
  • L’exploitation des historiques des trajets et du trafic permet aux VTCistes de baser leur activité sur un pricing temps réel dynamique. Le client connaît donc à l’avance le prix qu’il va payer. En termes d’expérience utilisateur il quitte le véhicule sans avoir à sortir sa carte bleue grâce à la plateforme qui gère les transactions.
  • On peut estimer qu’un bon moteur de recommandation va générer jusqu’à 50% des ventes des meilleurs sites e-commerce : "Si vous avez aimé ce produit, vous aimerez également..." mais également proposition des accessoires pertinents (cravate, chaussettes, chaussures lors de l’achat d’un costume) ou aussi proposition d’autres produits similaires à la recherche par association de forme, de couleur…
  • La captation de données de qualité et en nombre va même permettre la monétisation des données pour d’autres acteurs de la chaîne de valeur. Ainsi les distributeurs, comme les grandes surfaces, sont à même de réagencer leurs rayons pour mieux valoriser leurs produits de marque distributeur tout en vendant les données des tickets de caisse aux grandes marques pour étudier leur positionnement concurrentiel. C’est d’ailleurs plutôt dans ce cas d’usage que se trouve le ROI des programmes de fidélisation.
  • Sur les plateaux de relation client et de gestion on parle de conseiller augmenté : celui-ci est, d’une part, délesté des tâches automatisables par le RPA (robotic process automation – réponse automatique aux mails clients par exemple) et d’autre part aidé dans la gestion de son dossier client en étant guidé dans la réponse la plus adaptée (aide à la vente, aide à la gestion).
  • Les produits connectés ont profondément modifié les process marketing puisqu’au-delà des fonctionnalités intrinsèques du produit il faut penser dès la phase de conception à la partie back office c’est-à-dire l’exploitation des données et donc travailler avec des UX designer et des architectes de l’information. Et une fois le produit vendu, il ne disparaît absolument plus dans la nature : il fournit des retours sur sa longévité et sur l’usage qui en est fait, il faut continuer à faire évoluer la partie software.

 

La digitalisation n'est visible qu’à travers les effets qu’elle produit

Les exemples sont légions dans tous les secteurs et dans tous les métiers. Une nouvelle forme d’économie qu’il faut apprendre à maîtriser pour faire partie du jeu demain. Ce propos fait désormais consensus dans les directions générales, pourtant les résultats se font attendre. Car Big Data et IA ne constituent pas simplement une somme de technologies de plus. Nous sommes bien face à un changement de paradigme et la digitalisation qui supporte l’exploitation des données n’est pas un phénomène de surface. Elle touche l’ensemble de l’entreprise : architecture technique bien sûr mais aussi ressources humaines et utilisateurs, processus et même frontières.

 

La digitalisation a un point commun avec le réchauffement climatique : elle n’est visible qu’à travers les effets qu’elle produit générant dans certaines entreprises du scepticisme ou du moins une prise en compte tardive. Sans culture de la donnée, les entreprises butent contre des difficultés qui empêchent la mise en place d’une exploitation généralisée de la donnée.

 

Pourtant à bien observer toutes les entreprises ont les mêmes sources limitées de données potentielles à disposition : IOT, données clients, logs d’application, réseaux sociaux, coordonnées GPS, parcours client sur le web. En bout de chaîne, elles cherchent toutes à répondre aux mêmes enjeux stratégiques, qui se comptent eux aussi sur les doigts de la main : connaître et fidéliser son client, acquérir de nouveaux clients, conquérir de nouveaux marchés, réduire ses coûts, améliorer ses produits, son time to market, sa satisfaction client et sa rentabilité. C’est donc dans l’orchestration de la transformation de la donnée que la différence se fait entre "front runners" et "followers".

 

Le premier verrou à faire sauter pour devenir un acteur data driven est bien évidemment la construction d’un éco système IT adapté Big Data constitué de datalakes, d’API, de datascience et de languages associés scala, python, javascript pour n’en citer que quelques-uns. Les investissements sont souvent lourds mais indispensables.

 

En parallèle gérer l’acquisition des talents et compétences qui sauront d’une part faire fonctionner ces systèmes nouveaux et d’autre part y associer la création de valeur attendue. Car ces talents, souvent jeunes, maîtrisent nativement les rouages de l’économie digitale ainsi que le cycle de développement agile associé.

 

Ces 2 points, éco-système technologique + talents, constituent le pré-requis indispensable. Mais si la tête ne suit pas, l’entreprise risque d’être confrontée à la délicate situation de panne d’industrialisation. C’est d’ailleurs le sujet principal à l’heure actuelle pour une grande partie des entreprises en cours de transformation : la dynamique data a bien été initiée et la question du moment n’est plus : "c’est quoi le big data ?" comme sur la période 2012/2016. Le manque de diffusion d’une culture data au sein des organisations a abouti à de nombreuses démonstrations de valeur assez peu suivies de passages à l’échelle. Les questions sont donc désormais "combien de POC je passe en production et en combien de temps ?"

 

La réponse à ces interrogations est essentiellement managériale et nécessite la révision complète de la culture de l’entreprise, de ses principes de gouvernance et de son organisation.

 

Les 5 étapes de la construction d’une stratégie de valorisation des données

Méthodologiquement, la construction d’une stratégie de valorisation des données repose sur 5 étapes consécutives qui, selon la maturité de départ de l’entreprise, peuvent être étudiées individuellement.

 

 

 

 

  1. Diagnostic Business & Data : La première étape consiste à évaluer l’état de l’art au sein de l’entreprise de manière à la positionner face aux autres acteurs du secteur, mais aussi dans l’absolu en considérant les données à disposition, les ressources data internes, l’organisation autour des données, les cas métiers mis en œuvre avec succès.

 

  1. Identification et priorisation des use cases : La seconde étape a 2 objectifs : le recensement et la priorisation des cas métiers impactés par les données. Dans cette étape il est important de bien connaître les possibilités offertes par les données : La réflexion ne doit pas se limiter aux seules données disponibles ni proposer des cas métiers découplés d’une chaîne de valeur globale, dont l’objectif est de viser la meilleure expérience client possible. La priorisation est, elle aussi, sujette à un équilibre à trouver entre cas faciles à mettre en œuvre (pour entraîner une dynamique) et cas porteurs mais complexes, sur lesquels il s’agira d’avancer en mode agile pour atteindre des paliers progressifs de valeur.

Par exemple la création d’un programme de fidélité pour un distributeur est une première étape pour récolter des données clients. Puis l’exploitation de ces données clients permet la création d’offres personnalisées. A terme le rapprochement des données tickets de caisse / clients peut aboutir à la revente aux marques des données d’habitude de consommation (monétisation des données).

 

  1. Elaboration de POC : L’étape 3 est la plus caractéristique des travaux basés sur les données. C’est la concrétisation des réflexions menées précédemment à travers l’élaboration de POC (proof of concept) ou de POV (proof of value si le concept est déjà éprouvé dans d’autres entreprises). La manipulation de données étant simple et rapide, on peut agir de manière itérative pour constater concrètement les gains attendus tout en se frottant à la réalité de la mise en œuvre. Un POC bien exécuté ne dépasse généralement pas 6 à 8 semaines et implique moins de 10 personnes. En résultat il donne un très bon aperçu du potentiel, mais ne garantit pas la réussite de mise en œuvre à une échelle importante.

 

  1. Transformation de l’organisation 

L’étape 4 est d’ordre organisationnel : elle vise à transformer l’entreprise pour la rendre « data driven ». L’objectif est d’acculturer les équipes aux enjeux de la donnée, de proposer une gouvernance adapté au développement de l’usage de la donnée, d’identifier les nouvelles compétences et de redéfinir les périmètres et processus métiers.

 

  1. Industrialisation

Comme la difficulté majeure des entreprises à l’heure actuelle est de passer les POC à l’échelle, l’étape 5 finale est un travail de fond qui se concentre sur le processus de mise en production des POC. Celui-ci doit être systématisé en définissant des standards d’admissibilité du POC, en se dotant des équipes techniques qualifiées pour stabiliser le démonstrateur (POC) et le transformer en produit viable, en définissant la roadmap produit, en élargissant et en sécurisant les données d’entrée, etc…

 

Pour conclure, retenons que plus la donnée devient un standard d’entreprise, plus la valorisation de cet actif devient un enjeu de management et moins un défi technologique. Comme on le sait, et bien qu’elle soit avant tout un domaine créatif, l’innovation a besoin de suivre des processus rigoureux qui canalise l’inventivité pour aboutir à une création de valeur. De la même manière, la valorisation des données nécessite compétences et agilité, mais aussi une stratégie pour concrétiser les réalisations.

 

François Cousi est associé du cabinet conseil PMP, Olivier Leroy est créateur du datalab de PMP.

 

 

Les avis d'experts sont publiés sous la seule responsabilité de leurs auteurs et n'engagent en rien la rédaction de L'Usine Digitale.

Réagir

* Les commentaires postés sur L’Usine Digitale font l’objet d’une modération par l’équipe éditoriale.

 
media