• GLOBAL EXPERIENCE • CONNAISSANCE UTILISATEUR • BUSINESS MODELS • STRATEGIC RESEARCH










Airbnb, Blablacar, Uber, Drivy, Yuka, Doctolib. Entreprise « Data driven » et business de la réciprocité : les 2 leviers de la transformation numérique du marché



La transformation numérique du marché a des répercussions directes sur la stratégie des entreprises vis-à-vis de leurs clients : d’une part elle met la donnée au cœur des décisions - on parle d’entreprise « Data driven » - d’autre part elle induit des relations de réciprocité entre l’entreprise et le client, chacun ayant besoin de l’image et de la confiance de l’autre pour engager une transaction – ce que nous appellerons dans ce qui suit le business de la réciprocité. Parmi les enseignes célèbres pour illustrer ces 2 tendances majeures, viennent immédiatement à l’esprit les entreprises dites « digital natives » : Airbnb, Blablacar, Uber, Drivy, Yuka ou encore Doctolib.



L’entreprise « Data driven » est en marche

A l’ère de la transformation digitale, les données se multiplient de façon exponentielle. Elles prennent désormais une place de choix dans l’écosystème de l’entreprise : données internes ou externes (clients, marché, partenaires, fournisseurs, concurrents). Ainsi, la data constitue peu à peu la valeur et l’un des principaux capitaux de l’entreprise, si bien qu’après avoir parlé d’entreprise « Data centric », c’est l’expression « Data driven » qui a pris le relais comme pour traduire la dynamique qu’insuffle l’exploitation de la donnée dans les organisations.
Une entreprise dite « Data driven » c’est-à-dire pilotée par les données, s’appuie sur l’analyse des données à sa disposition pour prendre des décisions et orienter sa stratégie. Elle s’intéresse à tous types de données, structurées ou non et s’attache à les croiser entre elles pour générer de la valeur, de nouvelles idées et être un catalyseur pour accélérer, voire même automatiser les processus de prise de décision : être plus performante du point de vue des processus internes mais aussi améliorer l’expérience du client, fluidifier les échanges avec les partenaires et fournisseurs, enfin être plus compétitive et ainsi se démarquer de ses concurrents.
 

Les enjeux pour une entreprise « Data driven » sont multiples

  • Prendre les bonnes décisions en utilisant les bonnes données au bon moment constitue l’enjeu majeur car il est la raison d’être du pilotage par les données. Ceci suppose que les données soient accessibles, fiables et pertinentes par rapport à un contexte d’utilisation.  
     
  • Exploiter les données personnelles dans un cadre réglementaire (RGPD) en donnant au client un droit de regard sur l’utilisation qui est faite de ses données. L’entreprise doit en effet avoir effectué l’inventaire des données personnelles en sa possession et en particulier celles de ses clients, assurer leur sécurité et faire preuve de transparence vis-à-vis du client quant à leur usage. 
     
  • Découvrir de nouveaux leviers de croissance : c’est véritablement en combinant des données apparemment disparates et impossibles à rapprocher jusqu’alors que surgit la valeur et donc les possibilités d’innovation (pour créer une nouvelle activité, un nouveau produit ou service, etc.). Par exemple, il s’avère souvent intéressant de croiser des données clients avec des critères sociogéographiques qui viennent enrichir la connaissance sur les clients et permettent d’adapter les offres qui leur sont adressées ou encore d’optimiser l’implantation de points de vente, etc. 

Vers une automatisation des processus de décision aux niveaux opérationnel et tactique

Les départements de l’entreprise doivent prendre au quotidien de multiples décisions. Il existe plusieurs niveaux de décision : opérationnel, tactique et stratégique.

En l’état actuel des technologies, l’automatisation des processus de décision concerne principalement les décisions opérationnelles, voire tactiques. En revanche, les décisions stratégiques sont trop complexes pour être prises en charge de façon automatique.
Rappelons qu’un processus de décision consiste à :
•                Acquérir les données nécessaires à la prise de décision,
•                Les adapter et les analyser,
•                Prendre des décisions en fonction des résultats obtenus et des objectifs qui ont été fixés. 
 

Les étapes d’automatisation des processus de décision Avec l’évolution des technologies, on observe que les processus de prise de décision tendent à s’automatiser. A ce titre, on distingue plusieurs niveaux d’automatisation.


1er niveau : les données sont le support des décisions humaines.

En termes de technologie, il s’agit de la Business Intelligence avec des applications telles que : le reporting, le tableau de bord, les analyses ad hoc et la planification. La Business Intelligence (BI) ne permet qu’un mode d’analyse des données a posteriori pour répondre à des questions du type « que s’est-il passé ? ».
 

2ème niveau : des modèles sont le support des décisions humaines.

 Ici, la technologie sous-jacente appelée Data mining permet à partir de modèles de mettre en place des applications telles que : la détection de fraude, les prévisions de ventes (séries temporelles), le score et la segmentation client ou encore l’analyse du panier d’achat, etc.
Ainsi, le Data mining qui fait partie de l’analytique permet de détecter des associations entre indicateurs, des séquences d’enchainement utilisées par exemple dans la détection de fraude, d’établir des classifications et des segmentations (segmentation de clientèle etc.) mais aussi d’effectuer des analyses prédictives. Le Data mining permet de répondre à des questions du type « que pourrait-il se passer ? » sur le mode de la prédiction.
 

3ème niveau : l’homme contrôle des décisions automatiques.

 En termes de technologie, il s’agit du Machine Learning (technique d’auto-apprentissage sur les données par les données par le biais d’algorithmes) avec des applications telles que :  la planification de campagnes marketing, les recommandations de produits, la personnalisation du parcours client, la planification de la production, l’analyse à distance de produits connectés (via l’IoT) pour assurer la maintenance prédictive, l’automatisation robotisée des processus (RPA).  
Ainsi le Machine Learning permet un mode d’analyse des données a priori pour répondre à des questions du type « que devrions-nous faire ?» sur le mode de la prescription ou de la recommandation. Il permet aussi de détecter des signaux faibles et ainsi de repérer des tendances émergentes (Voir notre Dossier de recherche teknowlogy « Data science : techniques et cas d’usage du Machine Learning  »).
 

4ème niveau : le système est basé sur des modèles de décision autonomes.

 Il s’agit toujours de Machine Learning auquel on ajoute de l’optimisation avec par exemple des applications telles que : le calcul dynamique de prix, l’optimisation de l’approvisionnement des produits (supply chain), l’optimisation du parcours client pour mener à l’acte d’achat, la publicité dynamique, etc. Ainsi, une fois le modèle mis en place, on évalue la marge d’erreur. Puis on affine les variables pour réduire cette marge d’erreur.
 

5ème niveau : le système est basé sur l’autoapprentissage et les systèmes cognitifs interactifs.

Il s’agit du niveau le plus élaboré de l’Intelligence Artificielle qui inclut la compréhension du langage naturel (NLP Natural Language Processing), l’argumentation soutenue par la preuve (« Evidence Based System »), le Machine Learning. La compréhension du langage naturel permet une véritable conversation argumentée avec l’utilisateur (client ou conseiller) pour lui fournir les conseils adaptés.

L’argumentation soutenue par la preuve consiste pour le système cognitif à produire des hypothèses en réponse à une question qui lui est soumise. Enfin, le Machine Learning qui fait partie de la Data science permet au système cognitif de s’améliorer par auto-apprentissage. Les utilisateurs contribuent aussi à cet apprentissage en évaluant la qualité des réponses. L’usage de ce type de système est loin de se généraliser actuellement mais à terme il peut s’avérer très efficace pour engager la conversation avec un client ou un prospect et lui apporter un premier niveau de réponse : il ne nécessite plus aucune intervention humaine.
 

Ainsi, l’évolution des processus de décision se caractérise par :

Un contrôle croissant des technologies par rapport à l’humain. Peu à peu le rôle des technologies devient prépondérant par rapport à celui de l’homme, dans un environnement qui les favorise : capacités de stockage et de gestion de gros volumes de données, algorithmes sophistiqués pour effectuer des calculs complexes, environnement Cloud pour mutualiser les ressources.
  • Une vitesse de décision de plus en plus rapide : si le temps d’une décision humaine est de l’ordre du jour ou de l’heure, celui de la machine peut se réduire à quelques microsecondes. Mais en l’état actuel des connaissances et de la technologie, même si la machine peut effectuer des calculs très complexes, elle ne peut à elle seule gérer pour l’instant que des types de décisions relativement simples. 
  • Enfin, l’utilisation des données et la complexité des analyses croissantes accompagnent ces évolutions. La digitalisation progressive de l’entreprise la conduit à s’appuyer de plus en plus sur les données comme support de la prise de décision à la fois pour améliorer sa performance et accroitre sa compétitivité. De même, en termes d’analyses, les algorithmes se sont améliorés et trouvent toute leur légitimité grâce aux environnements Big data : les calculs ne s’exécutent plus à partir d’échantillons de données mais sur leur totalité.

Comment devenir une entreprise data driven ?

Pour devenir une entreprise « Data driven », trois points clés sont à considérer :
  • Automatiser les processus de prise de décision est une évolution inéluctable
Devenir « Data driven » est une nécessité pour toute entreprise si elle veut rester performante et compétitive. C’est une question de survie pour elle dans un monde qui bascule massivement dans le digital car il lui faut être là où les clients l’attendent. Mais c’est aussi un facteur d’innovation car le croisement désormais possible de nombreuses données entre elles (internes ou externes) est source de valeur, de nouvelles idées.                    
  • Dresser un état des lieux sur le niveau d’automatisation des processus de décision et définir la cible à atteindre
Parmi les actions à mener, il convient de :
  • Mesurer le niveau actuel d’automatisation des processus de prise de décision et définir la cible : en l’occurrence, il s’agit de se demander « quelle automatisation souhaite-t-on pour quels processus à l’avenir ? »
  • Voir comment y parvenir : le mode « Data driven » passe naturellement comme son nom l’indique par les données mais il sous-entend aussi de se doter de nouvelles compétences, d’acquérir les technologies adaptées et de définir des cas d’usage à forte valeur ajoutée et ROI rapide.
  • Définir les étapes de progression dans l’automatisation : la bascule en mode « Data driven » n’est pas instantanée mais est un processus progressif et itératif.
  • Maitriser les outils analytiques et assurer la gouvernance des données :
  • Maitriser les outils analytiques et leur contexte d’utilisation. L’offre susceptible d’accompagner la prise de décision évolue : la Business Intelligence consiste à analyser les données a posteriori, l’Analytique s’exécute de plus en plus en temps réel et permet de prédire les phénomènes, enfin, la Data science apporte une nouvelle contribution pour cette fois analyser les données a priori afin de prescrire et émettre des recommandations. 
  • Garantir la gouvernance des données. Il convient de gérer en amont la qualité des données sans laquelle il n’est pas possible de prendre de bonnes décisions, mais aussi d’éviter les silos d’informations qui nuisent à la consistance et à la sécurité des données.

Le business de la réciprocité

Boostée par la transformation numérique et les données qu’elle permet d’exploiter et face à la concurrence accrue, la stratégie de l’entreprise a évolué en profondeur.
Après avoir été focalisée sur le produit (caractéristiques, quantité en stock, quantité vendue etc.), elle s’est intéressée au client pour l’attirer via des campagnes marketing et déclencher l’achat (profil, type de consommateur, niveau d’appétence pour un produit, comportement d’achat, conversion suite à une campagne, etc.). Désormais, collecter des données sur les produits et les clients ne suffit plus.

Les limites des anciens SI sont atteintes et les entreprises doivent en bâtir de nouveaux. Il leur faut rechercher l’immédiateté et la parfaite adéquation entre le client et le produit. Il devient impératif de personnaliser le produit en fonction de l’attente immédiate du client.

Dans un intérêt réciproque, l’offreur et l’acheteur dialoguent désormais intimement et collaborent. Et les entreprises ouvrent une partie de leur SI aux clients... Ainsi, l’entreprise entre à présent dans un mode d’intérêt réciproque entre le client et l’entreprise, de même entre l’entreprise et le fournisseur, le partenaire ou même le collaborateur.

Pour mener à bien ses activités et réussir, chacun des contributeurs de la relation a besoin de l’estime de l’autre laquelle nourrit son image et sa réputation sur le Net. Les entreprises emblématiques nativement numériques en témoignent.
  • Airbnb est bâti sur ce modèle : l’hôte a besoin d’être mis en confiance vis-à-vis de ses locataires potentiels pour engager la transaction, de même que les locataires ont besoin d’être rassurés sur la qualité du logement, de sa localisation mais aussi de l’accueil du propriétaire.
  • Blablacar est sur ce même principe : pour engager un trajet, le chauffeur doit être assuré de la fiabilité des passagers et inversement les passagers sur la qualité de conduite et la ponctualité du chauffeur. Ceci va s’exprimer sur les réseaux sociaux, les sites sur lesquels ont lieu les transactions, les blogs et autres forums de discussion, etc. Ainsi, la confiance réciproque entre client et fournisseur est plus que jamais primordiale pour engager une transaction entre les 2 parties.
Corollaire à cette évolution, l’entreprise va aussi de plus en plus collaborer avec le client à l’évolution des produits existants ou la création de nouveaux produits, rentrant ainsi dans un mode de co-innovation.

Il n’est plus question pour elle de construire des produits et services dans son coin mais bien de mettre le client à contribution pour être force de proposition sur l’évolution de l’offre, ce qui passe par l’animation de communautés de clients. Ceci constitue un cercle vertueux car chacun sait qu’un client écouté, respecté et satisfait devient tôt ou tard ambassadeur de la marque, ce qui contribue à influencer d’autres clients potentiels dans l’acte d’achat, et est souvent bien plus efficace encore qu’une campagne marketing aussi ciblée soit-elle.
 

Auteur : Laurence Dubrovin. Business & Market Analyst, Analyste Conseil Expert BI/big data, CRM/cxM & MMD chez teknowlogy Group / CXP

Ingénieur Diplômée de l’EPF (Ecole Polytechnique Féminine) et de l’Université Paris Dauphine, Laurence Dubrovin a d’abord travaillé comme consultante chez Thorm EMI Computer Software puis au sein du groupe Bull. Elle est à présent chez Teknowlogy Groupe (CXP) Analyste Conseil sur les domaines Business Intelligence, Analytique sur le Big data, Customer Relationship Management, Customer Experience Management et Master Data Management. 
A ce titre, Laurence Dubrovin mène des études comparatives de logiciels, assure des missions de conseil auprès des utilisateurs (aide au choix de logiciels).
Elle réalise du business développement à destination des éditeurs de logiciels et intégrateurs ESN (conseil stratégique, positionnement sur le marché, étude de la concurrence, enquête de marché, étude ou livre blanc, projet d'internationalisation, recherche de partenaires, projet d'acquisition). 

Laurence réalise des enquêtes auprès des utilisateurs métier et DSI dans les domaines BI/Analytique sur le Big data et CRM/CxM, des analyses de pratiques et anime des séminaires sur l'état de l'art du marché dans ces domaines. Elle participe également à des dossiers thématiques dans la presse spécialisée.

 

Laurence Dubrovin. teknowlogy Group - CXP

A propos de Market Intelligence Day | Vos contacts | Comité stratégique | Organisation | La Newsletter | Concepts-clés