IA et Big Data

Data : il est temps pour les entreprises de sortir leurs données du frigo

Il est temps de sortir les données du frigo, telle est l’injonction de Mick Lévy de B&D. Cela fait tellement longtemps que nous poussons les entreprises à faire quelque chose de ces données que, quand Mick m’a fait parvenir son livre « sortez vos données du frigo », j’en suis littéralement tombé. Un entretien utile où il nous donne des exemples et nous rappelle — cela plairait à nos amis Alain Lefebvre et Fred Cavazza — que l’innovation s’inscrit dans le temps long. 

Entreprises : il est temps de sortir vos données du frigo !

Mick Lévy de B&D nous enjooint de sortir les données du frigo où elles dorment. Tant de valeur et pourtant, si peu est utilisée. Alors, quel progrès avons nous faits depuis 2013 ?
Mick Lévy de B&D nous enjoint de sortir les données du frigo où elles dorment. Tant de valeur et pourtant, si peu est utilisée. Alors, quels progrès avons nous faits depuis 2013 ? Après tout si vous avez acheté des victuailles, il ne reste plus qu’à trouver les recettes à cuisiner. Et vous n’allez tout de même pas jeter les vieux yaourts sans les consommer !

À chaque fois qu’on parle de la donnée, j’ai un peu la même impression : celle de revivre le même film, celui du jour sans fin, où on nous rappelle sans cesse que la qualité de la donnée est importante et qu’il faut s’en servir. Dans un sens, cela est sympathique, cela me ramène dans les années 1980. Nostalgie, quand tu nous tiens…

J’ai  ainsi le souvenir d’un programme développé par mon père (on peut parler de préhistoire de l’IT même si elle avait déjà 30 ans), pour une fameuse enseigne de restauration rapide, résolument tourné vers la prédiction, et entièrement basé sur les données à la fois internes et externes.

Ce système n’était certainement pas très sophistiqué au sens du 21e siècle — quoique … — mais il permettait néanmoins d’arriver à servir le nombre de repas à la dizaine près. Pas mal, quand on sert 1000 couverts ! Et l’ayant vécu au côté des préparateurs des plats, je peux garantir que c’était très précis.

Pourtant, aujourd’hui, au XXIe siècle, et après 10 ans de répétition en boucle du sujet de la qualité des données et de son importance, et de la nécessité de l’utiliser de manière prédictive (c’est plus récent mais comme vous le voyez, pas vraiment), il semblerait que des progrès soient encore à faire.

Une fois encore, les technologies sont indéniablement plus puissantes, plus répandues, plus capables de monter en charge et beaucoup plus sophistiquées. Certes, mais seul le résultat compte et les faits sont têtus.

À moins que, simplement, la révolution des big data comme l’indique Mick Levy dans cette interview, ne soit en fait qu’une évolution longue lente et progressive, et qu’en fin de compte on arrive bien enfin un jour à l’exploiter correctement.

Les technologies ne sont donc pas en cause, c’est donc que leur mise en œuvre pêche lourdement et ceci depuis longtemps, sinon nous n’aurions pas à répéter toujours la même chose.

Soyons clair, le premier problème des entreprises est la donnée elle-même. Il faut la nettoyer, la préparer, la toiletter et la mettre à jour en permanence. Et comme l’explique Mick, la sortir du placard, ou du frigo mais c’est la même chose.

Plus on la prend à sa source, plus elle est en temps réel, plus elle est de qualité. Mais plus aussi il faut gérer les problématiques de stockage, d’archivage et de traitement.

Tout cela demande de s’inscrire dans la durée.

Une affaire récurrente, pour ne pas dire éternelle, et qui semble à chaque fois remise en cause par la dernière crise qui force le monde entier à penser à court terme.

Mais bon, ne gâchons pas notre plaisir, les technologies prédictives sont en constante amélioration. Mick en donne deux exemples ci-après et plus encore dans son bouquin.

Donc, il n’y a plus plus qu’à se mettre au travail, car comme le dit à juste titre Mick Lévy : si ce n’est pas très grave d’avoir pris du retard, il ne faut plus en prendre à nouveau.

À bon entendeur …

Voici donc l’interview que j’ai organisée avec Mick il y a quelques semaines autour de son nouvel ouvrage paru chez Dunod.

Entreprises sortez vos données du frigo !

Entretien avec Mick Lévy

La data : un actif à part entière de l’entreprise dont il faut se saisir pour créer de la valeur

sortir données frigo
sortir ses données du frigo est une obligation nous dit Mick Lévy

« Toutes les entreprises ont des données pour l’instant enfermées et stockées inertes dans des bases de données, qui sont de véritables frigos informationnels. Si on veut créer de la valeur avec les données, il faudra ouvrir les frigos, sortir les données, les réchauffer, et créer de la valeur ».

[NDLR voilà l’introduction, elle est directe. Et pour « réchauffer la donnée » il ne suffit pas de la regarder, il faut la mettre à jour, la nettoyer et surtout la faire parler pour l’interpréter] 

Aujourd’hui, toutes les technologies de l’IA, notamment, permettent de valoriser de manière très forte les données pour transformer l’entreprise et mieux répondre aux problèmes des clients.

On parle de la donnée comme d’un élément de stratégie et de prise de décision pour l’entreprise depuis 35 ans. Mais le véritable essor du domaine a eu lieu il y a 10 ans seulement

Surtout, jusqu’à il y a une dizaine d’années, on parlait beaucoup de la data comme d’un rétroviseur, permettant de présenter l’activité grâce aux données obtenues sur un passé éventuellement proche, en vue d’éclairer l’avenir, et de prendre les bonnes décisions pour l’orientation de l’entreprise.

sortir données frigo
Avant de sortir les données du frigo : la théorie de la connaissance est toujours à l’ordre du jour. Le vrai enjeu est moins l’intelligence artificielle que la capacité de transformer la donnée en information, l’information en connaissance et la connaissance en savoir puis en sagesse. Encore un vieux pot et une vieille soupe. J’avais d’ailleurs largement couvert ce sujet dans le livre blanc « du big data au big business » écrit pour B&D en 2014 [dessin issu de la page 37 du livre de Mick Lévy.
Mais depuis 10 ans les données sont beaucoup plus variées. L’IA est en train de se généraliser et permet d’utiliser la data à titre proactif, non pas seulement comme un rétroviseur, mais pour se projeter sur l’action, pour aller vers une automatisation des décisions et vers quelque chose de beaucoup plus proactif et qui amène plus de valeur.

La data est-elle vraiment le pétrole du 21ème siècle ?

À mon sens, la réponse est oui. Ce qui est vraiment intéressant, c’est la réalité économique qu’a prise cette phrase. Si on regarde aujourd’hui les dix plus grosses valorisations d’entreprises au monde, pour 7 ou 8 d’entre elles, ce sont des entreprises qui ont placé les données au cœur de leur business model, au cœur de la création de valeur : les GAFAM, les BATX, et également une entreprise comme Visa, qui accomplit une transformation étonnante autour de la valorisation de la donnée qui est extrêmement forte.

sortir données frigo
Top 10 des capitalisations boursières mondiales. En gros, les sociétés qui, elles, ont su sortir les données du frigo [graphique issu du livre p 23]

Parmi les dix plus grandes entreprises du monde, 8 sont des « data companies »

Il y a seulement 25 ans, ces 8 entreprises auraient globalement été des entreprises pétrolières. Shell, BP et compagnie, auraient été dans le classement des dix plus grandes entreprises au monde. Aujourd’hui, il n’y en a plus aucune.

Les data companies ont supplanté les oil companies

Exemples de création de valeur avec la data

Il y a quelques semaines, une enseigne de distribution en Grande-Bretagne s’est faite racheter par une autre enseigne. Celle-ci a racheté la marque, mais surtout le fichier client. La valorisation de l’entreprise s’est portée en réalité sur la qualité et au nombre de données clients qui ont été rachetées.

Il y a pas mal d’exemples comme cela qui ressortent, ce qui montre qu’effectivement, les données vont apporter de la valeur pour toutes les entreprises.

Dans le livre, je raconte une dizaine d’histoires d’entreprises qui ont créé de la valeur par un cas d’usage particulier avec les données. Dans tous les secteurs, à chaque fois qu’on va exploiter des données, on va créer de la valeur.

Prenons deux exemples d’entreprises qui se décident à sortir leurs données du frigo

Premier exemple : une entreprise qui veut transformer son pilotage commercial par la data.

Jusque là, toutes les entreprises du monde organisaient leur pilotage commercial en fixant des objectifs avec les commerciaux, puis en pilotant ces objectifs par rapport aux résultats de l’année précédente. Si l’année précédente était satisfaisante, mais en réalité mauvaise par rapport au potentiel d’un point de vente, par exemple, ou d’un commercial donné, on ne le voyait jamais puisque d’année en année, on reproduisait un résultat en se basant sur l’année précédente.

Dans mon exemple, il s’agit d’une enseigne de distribution qui a un millier de points de ventes, et pour laquelle on a mis en place un modèle prédictif du chiffre d’affaires basé non seulement sur ses activités précédentes, mais aussi sur des externalités : des données externes de météo par exemple, des données socio-économiques pour chaque zone de chalandise, des données d’évènements, etc. Récupérer tout ce faisceau d’informations permet de montrer le potentiel réel de chaque point de vente, versus montrer quel chiffre d’affaire peut être reproduit d’année en année.

A quoi cela leur sert-il ? Lors de chaque nouvelle ouverture de point de vente, l’enseigne saura quel est le meilleur point de vente et le meilleur emplacement à choisir. Cela leur sert également à complètement revoir la manière dont ils vont animer commercialement le réseau. Plutôt que de se baser uniquement sur ce qui s’est dit les années précédentes, ils peuvent de se baser maintenant sur cette vision du potentiel prédit par l’algorithme.

En ce moment, sur le retail c’est un peu particulier bien sûr, mais on est en train d’appliquer le même raisonnement sur du B2B par exemple.

Dans le B2B donc, c’est le même mécanisme, les objectifs commerciaux des différents vendeurs sont fixés en fonction de leurs performances de l’année dernière.

Qui dit que cette performance est bonne par rapport au potentiel réel des clients de la zone qui lui a été affectée, si celui-ci n’a jamais pu être mesuré ? En l’évaluant, on peut se rendre compte que son chiffre d’affaires pourrait juste être doublé.

Avec la data, on est passé de l’ère de la prévision à l’ère de la prédiction

On dispose de beaucoup plus de données qu’avant, et de données beaucoup plus variées.

Il y a eu une mise en données de nos vies, littéralement, qui permet de disposer de beaucoup plus d’informations pour passer à cette ère de la prédiction, qui est plus juste, plus riche, et plus fine

Les prévisions qu’on faisait il y a 40 ans étaient beaucoup plus générales. On arrive à zoomer sur un produit détaillé, sur un segment de clients, sur une zone beaucoup plus fine que celle qu’on avait aparavant.

Deuxième exemple, dans le domaine des moteurs de recommandation

Il s’agit d’une banque qui veut transformer chaque contact de réclamation client au centre d’appels sur un contact commercial.

L’idée est vraiment d’améliorer le taux de vente rebond derrière un contact commercial. Il y a simplement un moteur de recommandation qui analyse constamment les données du client, les différents produits qui sont détenus, éventuellement la navigation faite sur le site web pour voir à quoi il s’intéresse, et qui affiche un message au conseiller visant à proposer à son client la protection juridique, ou la carte Gold, car c’est le bon moment pour cela.

Par ce simple fait on a augmenté les ventes rebond de 35% derrière le centre d’appels. On a beau parler de prévisions, il y a toujours un moment où l’humain est faillible et n’a pas cette capacité de calcul, et de prendre une vision sur l’ensemble des données du portefeuille client pour arriver à en sortir des conclusions unitaires client par client, voire moment par moment.

C’est cette force qui permet d’accélérer très fortement, en particulier sur le sujet marketing, avec la data.

La donnée est bien le pétrole du 21ème siècle, elle apporte des capacités de prédiction qui sont plus plus puissantes et qui viennent suppléer aux manques des humains

Et pourtant beaucoup reste à faire pour que les entreprises s’y mettent. Pourquoi, et comment y remédier ?

Il faut avouer que la matière est complexe et surtout exigeante. Ça coûte beaucoup moins cher de raffiner de la data que de raffiner du pétrole et c’est à la portée de toutes les entreprises. Ça, c’est la bonne nouvelle. Toutes les entreprises ont des données. C’est une excellente nouvelle aussi. Par contre, cela nécessite quand même quelques efforts et avant tout, une prise de conscience.

Une fois que la prise de conscience est là et que l’entreprise prend conscience que la data est un actif à part entière de l’entreprise, elle va pouvoir faire comme pour n’importe quel autre actif : mettre en place une équipe dédiée, des responsables, des processus, des outils :

  1. Nommer quelqu’un en charge de la stratégie autour de la donnée : le chief data officer, qui est la fonction la plus courante ;
  2. Mettre en place des outils : autour des outils du système d’information data, du socle data des entreprises et des outils technologiques de l’IA ;
  3. Mettre en place des processus : ceci concerne la gouvernance de l’information qui vise finalement à maîtriser le patrimoine des données détenues dans l’entreprise.

Aujourd’hui, on est dans une situation absolument illogique dans laquelle toutes les entreprises ont des données, mais ne savent absolument pas les quantifier, les classifier, identifier de quel type de données elles disposent, quelles sont celles qui sont de bonne qualité ou de mauvaise qualité, celles qui sont les plus récentes et celles qui le sont moins

C’est  cette prise de conscience qu’il faut avoir.

La data est un actif à part entière, il faut se donner les moyens de l’exploiter de la même manière qu’on exploite plein d’autres actifs, avec à peu près la même recette

On voit que les usages se multiplient. Les possibilités s’ouvrent à de nouveaux domaines, de nouveaux secteurs. Il y a une accélération qui fait que ça s’applique de plus en plus en temps réel. Les données gagnent en variété ce qui permet de lancer plein de nouveaux projets.

Le tort est de présenter trop souvent la chose comme une révolution : en réalité, c’est une évolution

Depuis toujours, on parle de statistiques. Le mot intelligence artificielle a été inventé dans les années 50. La plupart des algorithmes d’intelligence artificielle qui sont exploités aujourd’hui ont été inventés dans les années 50, 70, 80 éventuellement. Les algorithmes les plus récents de Deep learning certes ont été inventés il y a une dizaine d’années, et permettent d’accomplir beaucoup de nouvelles choses, notamment sur ce qui est reconnaissance visuelle, reconnaissance d’image, traitement du langage naturel, etc.

C’est cela qui ouvre aussi un nouveau champ. Mais en réalité, on hérite de tout le passé autour de la data science, de la statistique, et c’est une évolution qui est en train de prendre de plus en plus d’importance au fur et à mesure que les cas d’usage s’ouvrent.

Il y a 15 ans quand on parlait de gouvernance des données pour le pilotage et pour sortir un reporting qui soit juste, l’enjeu était important pour la stratégie de l’entreprise et pour la prise de décision d’un service, par exemple.

Mais quand on va parler de gouvernance de données pour que la qualité des données soit correcte, parce qu’elle va être appliquée derrière un algorithme qui va peut être pouvoir nous accuser demain de fraude, on voit que l’enjeu devient totalement différent et les moyens ont évolué.

En conclusion, si vous avez pris du retard, ce n’est pas très grave : il faut juste s’y mettre et travailler

Par contre, arrêtons de prendre du retard.

Souvent dans l’innovation, les premiers entrants ou les deuxièmes entrants (j’aime bien parler de fast followers, qui suivent juste derrière les pionniers), sont ceux qui vont tirer le plus d’avantages de ces technologies.

Mon livre est sous-titré  » Manifeste pour une exploitation intensive et responsable des données et de l’IA ». Il a d’énormes progrès à accomplir et il serait dommage que les entreprises s’en privent, ou ne s’en donnent pas complètement les moyens, alors qu’il y a énormément de valeur à en tirer.

Yann Gourvennec
Follow me

Yann Gourvennec

Yann Gourvennec created visionarymarketing.com in 1996. He is a speaker and author of 6 books. In 2014 he went from intrapreneur to entrepreneur, when he created his digital marketing agency. ———————————————————— Yann Gourvennec a créé visionarymarketing.com en 1996. Il est conférencier et auteur de 6 livres. En 2014, il est passé d'intrapreneur à entrepreneur en créant son agence de marketing numérique. More »
Bouton retour en haut de la page