La donnée est un actif stratégique autour duquel une organisation peut réorganiser son activité et déployer de nouveaux modèles d’affaires. Les modalités de collecte et de traitement peuvent différer en fonction de l’activité en cause, mais plusieurs tendances sont observables. L’exploitation des données permet tout d’abord aux organisations d’améliorer leur offre de produits et services, en proposant à leurs publics des services enrichis et personnalisés. Les capacités d’analyse offertes par la collecte massive de données sont aussi la source de gains de productivité : elles permettent une aide à la décision de plus en plus intégrée en continu à la production et une optimisation des produits et des services. Enfin, au-delà de l’utilisation des données pour consolider une activité existante, certains modèles d’affaires reposent spécifiquement sur l’exploitation des données (data-driven business models).
Vers l’amélioration de la relation client et usager
Les données générées par un utilisateur peuvent servir à personnaliser le service qui lui est offert. La prise en compte des pratiques de l’utilisateur permet de lui faire des recommandations adaptées à ses centres d’intérêt. La personnalisation du service est un facteur de fidélisation des utilisateurs : plus un service collecte de données sur ses utilisateurs à partir de leurs usages, plus il est en mesure de leur proposer un service personnalisé et adapté à leurs attentes.
La personnalisation du service
Les exemples de fourniture de services personnalisés sont légion dans l’économie numérique. L’algorithme PageRank de Google propose par exemple à ses utilisateurs des résultats personnalisés en tenant compte de l’historique de leurs recherches. En exploitant la liste des morceaux écoutés par ses utilisateurs, le service de streaming musical Spotify est en mesure de créer des playlists personnalisées. Facebook sélectionne les publications qui apparaissent sur le fil d’actualité d’un utilisateur en fonction de ses activités, de la liste de ses contacts, du nombre de mentions « j’aime » et de commentaires suscités par une publication. L’assistant vocal Siri d’Apple intègre des algorithmes d’apprentissage qui permettent son adaptation progressive à la diction des utilisateurs.
De même, les programmes de VOD ont fait le choix d’une offre de services personnalisés à destination d’audiences spécifiques.
Les algorithmes peuvent pousser la personnalisation du service jusqu’à devancer les besoins des utilisateurs. L’entreprise de grande distribution Target estime ainsi les probabilités de grossesse de ses clientes et fait parvenir des coupons de produits pour bébés aux consommatrices qui ont les probabilités les plus élevées de débuter une grossesse.
La singularisation des prix
La différenciation des prix en fonction des prévisions de demande et du profil des consommateurs est née dans les années 1980 aux États-Unis dans le secteur du transport aérien et de l’hôtellerie (yield management). Le développement du commerce sur Internet, conjugué aux évolutions technologiques (traçage des adresses, cookies, augmentation du volume de données disponibles), permet désormais d’obtenir en temps réel des informations sur les caractéristiques et le comportement des clients [39]. Autant d’informations à partir desquelles il est possible d’estimer le « consentement à payer » des consommateurs. Dès lors, une entreprise est à même de proposer à ses clients des tarifs adaptés à leur portefeuille.
La personnalisation des prix est une pratique relativement peu documentée, mais, d’après une étude de 2018 du cabinet Deloitte portant sur 500 entreprises, 40 % des détaillants ayant adopté des outils d’intelligence artificielle pour individualiser l’expérience du consommateur personnalisent leurs prix et leurs offres promotionnelles en temps réel [40]. Parmi les exemples observés, la compagnie aérienne AirAsia Berhad recourt depuis 2017 à l’apprentissage automatique pour déterminer ce que ses clients sont prêts à payer pour un bagage.
Aux États-Unis, les compagnies d’assurance ont commencé à proposer à leurs assurés des tarifs modulables en fonction de leurs comportements. Les contrats dits “pay as you drive” adaptent le montant de la prime d’assurance au nombre de kilomètres effectivement parcourus et aux conditions de conduite (le week-end, la nuit, à la ville ou à la campagne). Pour ce faire, l’assuré doit installer dans son véhicule un boîtier de géolocalisation qui collecte pour le compte de la compagnie d’assurance une masse d’informations. Un cran plus loin dans la personnalisation des contrats d’assurance, on trouve les contrats qualifiés de “pay how you drive”. Outre le kilométrage et les trajets, l’assureur enregistre la vitesse de conduite, l’allure dans les virages, le freinage ou encore l’accélération pour déterminer le montant de la prime d’assurance. Les assurances proposent une réduction de 3 % aux conducteurs qui acceptent d’utiliser une application téléphonique qui détecte leurs comportements : par exemple si l’automobiliste tient son téléphone à la main ou utilise une connexion Bluetooth pour téléphoner [41].
Toujours aux États-Unis, les assureurs se sont aussi lancés dans la collecte de données sur leurs assurés à travers des programmes de coaching en ligne. Il est alors possible d’imaginer qu’à l’avenir les compagnies d’assurance s’emparent des données collectées par les objets connectés pour proposer des tarifs adaptés au comportement de l’assuré, sur la base d’une anticipation individualisée des risques. Les assurés, dont les comportements vertueux seront attestés par toute une panoplie d’objets connectés (podomètre, balance, appareil d’analyse du sommeil), pourront alors bénéficier de primes d’assurance avantageuses ou de réductions (et inversement !).
L’optimisation du métier et du produit
Les données constituent un précieux outil d’aide à la décision. En permettant aux organisations d’obtenir un retour sur leur activité quasiment en temps réel et d’anticiper des évènements, l’analyse des données permet l’adoption de décisions mieux informées. Cela peut se traduire par l’amélioration de la qualité des services et des produits qu’elles proposent ou encore par l’optimisation de leurs processus de production. Vue sous cet angle, l’économie fondée sur la donnée participe moins au développement de nouveaux services ou de nouvelles activités qu’elle n’offre de nouveaux outils pour améliorer des activités traditionnelles et permettre aux organisations de réaliser d’importants gains de productivité.
Les organisations peuvent utiliser les données massives pour améliorer l’efficacité de leur système d’information dans le cadre de la mise en place de customer relationship management (gestion de relation client) et d’entreprise ressource planning (progiciel de gestion intégrée).
Le concept de customer relationship management remonte aux années 1970. Le numérique permet désormais l’intégration et l’analyse en continu des données des clients ou usagers issues de différentes sources (historique d’achat, profilage marketing, service client, réseaux sociaux, questionnaires en ligne, etc.) pour aider à la prise de décision dans l’organisation. À partir de ces données, une organisation est en mesure d’établir le profilage de sa clientèle ou de ses usagers et de lancer des opérations marketing adaptées (par exemple, identifier les clients potentiels, proposer des offres ciblées, trouver le bon moment pour relancer un client par email) ou encore développer de nouveaux services ou de nouveaux produits adaptés aux attentes des consommateurs ou usagers.
En suivant l’activité des utilisateurs, une organisation peut mesurer avec précision ses performances et décider d’apporter des améliorations et des corrections ciblées à ses services. La communication en ligne permet ainsi de pratiquer le « test A/B » à grande échelle. La technique consiste à proposer plusieurs variantes d’une page web, d’une application mobile, d’une bannière publicitaire ou d’un e-mail à différents groupes d’utilisateurs afin de déterminer celle qui rencontre le plus de succès. À partir des résultats obtenus, l’amélioration du service peut se faire en continu. Ainsi, le test A/B a été mis en oeuvre sur les pages d’appel aux dons de la campagne américaine de 2012 par l’équipe de Barack Obama. Il a permis d’augmenter sensiblement la conversion du nombre de visiteurs des sites Internet du candidat en souscripteurs.
Dans une optique de production participative (crowdsourcing), les données issues d’utilisateurs peuvent par ailleurs servir à améliorer la qualité du service proposé à d’autres utilisateurs. Les notes et les commentaires laissés par les utilisateurs sur les plateformes numériques permettent directement de guider le choix des futurs utilisateurs, que ce soit vis-à-vis d’un produit, d’une application, d’un vendeur, d’un chauffeur ou d’un logement. Une entreprise en ligne peut elle aussi s’appuyer sur les informations générées par les utilisateurs pour établir ses choix éditoriaux et mettre en avant les offres les plus susceptibles de répondre aux attentes de ses clients. Parfois, ce choix éditorial est personnalisé : les données de comportement d’un utilisateur sont alors utilisées pour formuler des recommandations aux utilisateurs qui présentent des caractéristiques similaires. Une fois indiqué que nous voyageons en couple, un site de réservation d’hébergement en ligne nous proposera par exemple les chambres qui ont obtenu le plus haut taux de satisfaction auprès des couples. Après un premier achat, la plateforme de vente affichera les autres objets qui ont également été achetés par les acheteurs qui ont fait le même achat.
Le secteur industriel n’est pas en reste. D’après un rapport de l’OCDE, « les données occuperont une place centrale dans la production industrielle du XXIe siècle » [42]. La transformation numérique de la production, désignée par les expressions « usine du futur » ou « industrie 4.0 », devrait à l’horizon 2030 très largement prendre appui sur une exploitation intensive des données.
L’industrie 4.0 et la prochaine révolution de la production
Extrait du rapport de l’OCDE : La prochaine révolution de la production : Conséquences pour les pouvoirs publics et les entreprises, éditions OCDE, 2018, p. 23
L’expression « quatrième révolution industrielle », également appelée « industrie 4.0 », renvoie à l’utilisation, dans la production industrielle, des technologies numériques récentes et souvent interdépendantes pour concevoir des procédés ou améliorer ceux existants, conduisant parfois à l’apparition de nouveaux biens et services. Les technologies concernées sont nombreuses et diverses : programmes d’apprentissage automatique ou applications de la science des données débouchant sur des systèmes de plus en plus autonomes et intelligents, capteurs à faibles coûts utilisés dans l’Internet des Objets, ou encore dispositifs de contrôle novateurs rendant possible l’arrivée des robots industriels de deuxième génération.
L’expression « Industrie 4.0 » établit un contraste avec les trois précédentes révolutions industrielles, qu’il est difficile de situer avec précision dans le temps : i) la mécanisation de la production, avec l’apparition de la machine à vapeur (autour de 1780), ii) le développement de la production de masse grâce à l’énergie électrique (années 1870), et iii) l’automatisation de la production grâce à l’électronique (années 1960). L’électronique de l’industrie 4.0 diffère à maints égards, notamment en termes de coût, de taille, de puissance de calcul, d’intelligence et d’interconnectivité ainsi que par l’intégration d’objets physiques.
L’utilisation de capteurs et de machines connectées et le recours au cloud computing rendent la collecte, le stockage et le traitement des données industrielles de plus en plus simples. Par ailleurs, couplée à l’analyse des données et l’apprentissage automatique, l’interconnexion des machines et des systèmes d’informations sur les sites de production, mais aussi à l’extérieur des sites de production (par exemple pour intégrer les données de clientèle, les données des partenaires, les données de suivi de produits en sortie d’usine), devrait permettre d’obtenir des machines et des systèmes de plus en plus intelligents et autonomes. De multiples gains de productivité sont attendus à tous les stades de la chaîne d’activité, sans exhaustivité :
- L’élimination des erreurs dans certains processus de production : les capteurs rendant possible la surveillance de chaque élément, il devient inutile de réaliser des tests sur des échantillons de chaque lot.
- La maintenance prédictive : les machines connectées communiquent en temps réel des données relatives à leur fonctionnement sur un cloud pour qu’elles puissent être analysées. À partir de ces données et en exploitant l’historique des défaillances, des algorithmes de machine learning apprennent à reconnaître les signes avant-coureurs de pannes. Il est alors possible d’anticiper les moments où une panne pourrait intervenir et de procéder aux réparations en temps voulu, de manière à réduire les coûts et la durée d’immobilisation des machines.
- L’organisation de la production pour répondre à la demande réelle : les logiciels de commande ou de gestion de stocks interagissent directement avec les chaînes de production, rendant possible une gestion des stocks en temps réel et l’automatisation du processus de commande auprès des fournisseurs.
- L’optimisation des produits : avec les logiciels dits « génératifs » qui utilisent l’IA, il devient possible de créer des modèles industriels optimaux en matière de poids et de résistance. Le logiciel Dreamcatcher est par exemple à l’origine de la carrosserie de la moto électrique la plus rapide du monde, Lightning, et de la création d’une cloison d’avion 50 % plus légère que les modèles antérieurs.
- L’automation de la logistique : les robots de la société Kiva permettent de traiter quatre fois plus de commandes dans les entrepôts qui en sont équipés [43]. Alors que dans les entrepôts qui n’ont pas été automatisés les travailleurs peuvent passer jusqu’à 70 % de leur temps de travail à marcher pour récupérer les produits commandés, les petits robots orange roulants soulèvent les étagères pour les apporter aux préparateurs de commandes
- La réalisation d’économies d’énergie : en 2016, Google annonçait une réduction de 40 % de la consommation d’énergie nécessaire au refroidissement de ses centres de données grâce au recours au machine learning [44]. D’après une étude de Citigroup — Oxford Martin School, les camions autonomes pourraient accroître la production dans l’industrie minière de 15 % à 20 % et réduire la consommation de carburant de 10 % à 15 % [45].
De nouveaux modèles d’affaires et de services
Les données se trouvent au centre de nouveaux modèles d’affaires spécifiquement fondés sur leur exploitation. Il ne s’agit alors plus seulement d’utiliser les données pour améliorer un service ou un produit préexistant ou gagner en productivité. Dans ces modèles d’affaires, la donnée représente une ressource clé, consubstantielle à l’activité de l’entreprise [46].
De nouvelles activités se développent, qui sont entièrement fondées sur la donnée. Ainsi, dans le secteur de la publicité en ligne, les third party data providers sont des entreprises spécialisées dans la collecte, le traitement et la qualification de données comportementales ou déclaratives, qui sont ensuite fournies aux annonceurs dans le cadre du ciblage publicitaire.
Les données figurent également au coeur des services d’informatique en nuage (cloud computing). Le cloud computing désigne un modèle de services informatiques qui repose sur le partage de ressources informatiques accessibles sur demande, généralement par Internet, et qui est associé à une grande souplesse d’utilisation et à de faibles coûts de maintenance. Au lieu d’obtenir de la puissance de calcul par l’achat de matériel et de logiciel, le client paye un fournisseur de services de cloud pour accéder à sa puissance de calcul depuis n’importe quel lieu. La facturation se fait à l’utilisation : le fournisseur de services garde à sa charge les investissements financiers matériels et logiciels et les frais de maintenance. Le cloud computing comprend trois catégories de services : l’infrastructure en tant que service (Iaas), la plateforme en tant que service (PaaS) et le logiciel en tant que service (SaaS). Les entreprises de cloud computing peuvent proposer une grande variété de services à leurs utilisateurs, tels que le stockage et l’analyse de données, des solutions logicielles ou des services de machine learning. Le modèle de facturation à l’usage et le fait que l’utilisation des services ne nécessite pas d’importants investissements de départs (matériel et logiciel) contribuent à démocratiser l’accès à des services de traitement de données auprès des PME et des administrations.
Enfin, des modèles d’affaires fondés sur la donnée peuvent venir compléter l’activité principale de l’entreprise. Une entreprise qui exerce son activité dans un secteur économique traditionnel peut exploiter les données qu’elle y collecte pour pénétrer sur de nouveaux marchés, lesquels sont parfois très éloignés de son coeur de métier. Ainsi, l’entreprise Elis, leader européen du nettoyage et de la location d’articles textiles, dispose de données issues de ses centres de nettoyage qui lui permettent de connaître avec précision le nombre de nuitées dans l’hôtellerie. La société peut commercialiser les données qu’elle détient sur l’occupation des hôtels par ville et par quartier auprès de l’industrie hôtelière, complétant son coeur de métier par une prestation de service numérique.
De son côté, l’Internet des Objets conduit à un rapprochement notable des secteurs de l’industrie et des services, parfois qualifié de « servicialisation ». Avec l’IoT, ce ne sont désormais plus seulement des objets qui sont proposés par l’industrie manufacturière. Les données générées par les objets connectés et leur transmission en temps réel sont à la base de nouveaux services facturés à l’utilisateur par le fabricant : un réfrigérateur qui propose des recettes correspondant aux produits qui s’y trouvent, des machines agricoles qui recueillent des données relatives à l’exploitation et les restituent à l’agriculteur sous forme de services de gestion, mais également des services de maintenance prédictive qui permettent d’anticiper les pannes de l’appareil. Cette transformation vient profondément redessiner les contours de l’industrie.
Après le téléphone portable, la voiture connectée illustre la manière dont un produit traditionnel peut devenir pour son fabricant le support de nouvelles sources de valeur. Selon une étude du cabinet Frost & Sullivan, le marché de la donnée automobile pourrait s’élever à 33 milliards de dollars d’ici 2025. Peut-être demain les constructeurs automobiles tireront-ils davantage de revenus de la commercialisation des données de leurs véhicules que de la vente des véhicules elle-même.
Une première évolution du secteur liée à la connectivité croissante des véhicules consiste dans l’intégration d’une interface servicielle aux voitures, comprenant par exemple des fonctionnalités de commerce électronique. Fiat Chrysler Automobile propose ainsi à ses automobilistes un service « Market ». En cliquant sur l’écran de son tableau de bord, le conducteur a alors la possibilité de commander un café ou une pizza à un commerçant préalablement inscrit. Le système propose ensuite un guidage GPS jusqu’à la boutique et permet de payer directement depuis le véhicule.
Les constructeurs cherchent par ailleurs à monétiser les quantités de données de plus en plus importantes produites par les voitures connectées. Par exemple, BMW a lancé sa place de marché de données appelée BMW CarData, qui permet à des prestataires de services extérieurs à l’entreprise (compagnies d’assurance, garagistes, gestionnaire de parcs automobiles) d’accéder aux données provenant des véhicules connectés contre rémunération. Le constructeur allemand Daimler s’est quant à lui associé avec l’entreprise israélienne Otonomo pour proposer une plateforme de partage des données des véhicules. Otonomo propose au propriétaire du véhicule de partager ses informations avec d’autres entreprises, fournisseurs de services ou développeurs d’applications, en échange de rabais ou de récompenses. Par l’intermédiaire de la plateforme, le conducteur peut par exemple souscrire à un système d’assurance individualisé correspondant au nombre de kilomètres parcourus.
Ainsi, les frontières entre le développement de logiciels, la fabrication d’appareils et la prestation de services se brouillent et ces activités se rejoignent progressivement.
Les modes de rémunération dans l’écosystème numérique
Source : OCDE, Data-Driven Innovation: Big Data for Growth and Well- Being, 2015
Lorsqu’elle se développe dans l’écosystème numérique, une entreprise a différents moyens de se rémunérer.
Le freemium : Il s’agit d’un des modèles de rémunération les plus développés chez les startups. Une entreprise propose gratuitement à ses clients certains services de base, mais elle facture leur amélioration ou l’ajout de nouveaux services (premium). Souvent, ce mode de rémunération est combiné avec une rémunération tirée de la publicité.
L’abonnement : L’abonnement est particulièrement fréquent dans les relations Business to Business (B2B). L’utilisateur paie régulièrement l’entreprise, qui lui offre en contrepartie accès à ses services.
La publicité : Elle est très utilisée, notamment dans le cadre des relations Business to Consumer (B2C). Une entreprise propose gratuitement ses services aux utilisateurs, en échange de quoi elle intègre des annonces publicitaires qui lui permettent de se rémunérer.
La redevance : La redevance se retrouve dans beaucoup d’offres de cloud computing. L’utilisateur paie l’entreprise à hauteur de l’utilisation qu’il fait de ses services.
La vente à l’unité : Ce mode de rémunération traditionnel ne disparaît pas dans l’économie de la donnée. Un client peut payer pour accéder au téléchargement de contenus, qu’il s’agisse de livres numériques, de morceaux de musique, d’applications, de jeux vidéos ou de films.
La vente de services : La vente de services se retrouve dans de nombreuses relations B2B (maintenance, consultation, développement informatique, hébergement de site Internet).
Les frais de commission : Les frais de commission se retrouvent fréquemment dans les relations B2C, B2B et B2B2C. Les plateformes qui font office de places de marché prélèvent un pourcentage sur les transactions conclues par leur intermédiaire entre vendeurs et acheteurs.
[39] OCDE, La personnalisation des prix à l’ère numérique, note de référence, 28 novembre 2018.
[40] Deloitte Digital, Consumer Experience in the Retail Renaissance: How Leading Brands Build a Bedrock with Data, 2018.
[41] Quain John, “Cars Suck Up Data About You. Where Does It All Go?”, New York Times, 27 juillet 2017.
[42] OCDE, La prochaine révolution de la production : Conséquences pour les pouvoirs publics et les entreprises, Éditions OCDE, 2018.
[43] Rotman David, “How technology is destroying jobs”, MIT Technology Review, juin 2013, www.technologyreview.com/insider/pricing
[44] https://deepmind.com/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-40/
[45] Citigroup — OxfordMartin School, Technology at Work: The Future of Innovation and Employment, University of Oxford, février 2015.
[46] Hartmann Philipp Max et al., “Big Data for Big Business? A Taxonomy of Data-driven Business Models used by Start-up Firms”, working paper, University of Cambridge
