L’Actu de la Data

12% des entreprises seulement parviennent à industrialiser l’analyse de leurs données alors que leur exploitation est un facteur décisif de leur performance. Qualité insuffisante, mauvaises pratiques et lourdeur des systèmes en place sont autant de freins à une nécessaire efficacité.

La capacité des entreprises à extraire des informations utiles à partir des données, souvent en temps réel, est devenue un impératif de la plus haute importance stratégique. Pour leur permettre cette orientation vers les données, les organisations adoptent des technologies de plus en plus sophistiquées basées sur le Cloud, entre autres des solutions analytiques dotées de capacités de machine learning. Cependant, l’efficacité de ces solutions sera limitée si les données ne sont pas en quantité et en qualité suffisantes, et facilement accessibles.

En plus d’un déficit de qualité des données, ces obstacles se combinent pour brider la vitesse des plateformes de données des entreprises et des modèles de machine learning et d’analytique qu’elles prennent en charge

Dans ce contexte, une gestion efficace des données est l’un des fondements d’une entreprise orientée vers les données. Mais l’un des principaux challenges pour les organisations est d’adopter les bonnes pratiques pour créer de la valeur commerciale à partir de l’analyse et du traitement des données. Au fur et à mesure que de nouvelles solutions technologiques de traitement des données apparaissent, la lourdeur des systèmes en place et des silos de données, leur architecture fragmentée, sont des obstacles pour de nombreux directeurs des données (CDO).

En plus d’un déficit de qualité des données, ces obstacles se combinent pour brider la vitesse des plateformes de données des entreprises et des modèles de machine learning et d’analytique qu’elles prennent en charge, minimisant ainsi fortement les chances d’atteindre les objectifs commerciaux souhaités. Selon une enquête, « Construire une organisation de données et d’Intelligence Artificielle performante » , réalisée par MIT Technology Review Insights, seulement 12 % des organisations sont parvenues à mettre en œuvre leur stratégie basée sur l’analyse données et le machine learning.

« Cette petite minorité d’entreprises obtient des résultats probants et mesurés. Leur succès est essentiellement dû à l’attention portée aux fondations d’une gestion et d’une architecture de données solides, permettant une démocratisation des données et une extraction de valeur de l’apprentissage machine», affirme l’étude.

L’amélioration de la gestion des données, le renforcement de l’analytique et du machine learning, et l’extension de l’utilisation de tous les types de données, y compris des données en continu et non structurées.

Les 3 priorités des organisations pour la donnée

D’après les conclusions de l’enquête, les priorités des entreprises en matière de données pour les deux ans à venir concernent trois domaines, tous dépendants d’une adoption plus étendue des plateformes Cloud : l’amélioration de la gestion des données, le renforcement de l’analytique et du machine learning, et l’extension de l’utilisation de tous les types de données, y compris des données en continu et non structurées. Le Cloud, jadis considéré comme une solution technologique optionnelle, est aujourd’hui pratiquement devenu incontournable en matière de gestion des données : 65 % des professionnels interrogés ont largement adopté ses services.

« Néanmoins, la mise à l’échelle et en œuvre de l’apprentissage machine est extrêmement complexe pour de nombreuses entreprises », expliquent les auteurs de l’enquête. Le challenge le plus difficile à relever, selon 55 % des professionnels questionnés, est l’absence d’un lieu central pour stocker et découvrir les modèles de machine learning. Cette absence, conjuguée avec un déficit de transfert entre la data science et la production, et de compétences en Machine learning, explique qu’il reste difficile de faire collaborer efficacement les équipes de machine learning, données et utilisateurs.

Au lieu de se mettre en quête de data scientists et de se confronter à la rareté de ces derniers sur le marché, il est sans doute préférable d’initier le changement au sein de l’organisation. Chaque employé doit acquérir la compréhension de ce que contient comme valeurs informatives les bases de données et ce qu’elles peuvent leur apporter au quotidien.

La science des données révolutionne les politiques d’achat, mais cela ne nécessite pas forcément de devoir solliciter des experts : les acheteurs peuvent devenir eux-mêmes des Data Scientists.

Il faut aussi et surtout des collaboratrices et collaborateurs formés, ayant acquis des compétences d’analyse des données

Pour les services achats, l’analyse des données procure de très nombreuses opportunités et possibilités. En effet, analyser les données ne permet pas seulement l’amélioration des relations avec les fournisseurs, mais aussi l’identification très rapide des risques, et ainsi de pouvoir prendre des mesures immédiates, synonymes de gain de temps et d’argent. Toutefois, pour que cela soit efficace, d’importantes bases de données ne suffisent pas. Il faut aussi et surtout des collaboratrices et collaborateurs formés, ayant acquis des compétences d’analyse des données leur permettant d’en extraire des informations utiles, à partir desquelles leurs prises de décisions seront plus pertinentes. 

Par ailleurs, ce sont précisément les membres du département achat qui ont des compétences analytiques ad hoc pour résoudre les problèmes auxquels elles sont confrontées.

Quel rôle peut jouer la science des données dans le domaine des achats ? 

Le principe de base est l’évaluation des volumes de données collectées en interne ou en externe pour obtenir des informations qui ne seraient pas visibles à l’œil humain. Concrètement, les acheteurs travaillent au quotidien avec une quantité de fournisseurs, et ce depuis des années, voire des décennies, même en temps de crise. Cependant, ce qui peut s’amoindrir au fil du temps, c’est le sens du détail et la perte du potentiel d’optimisation. Par exemple, un fournisseur peut pratiquer des tarifs très compétitifs, mais la qualité du produit peut s’avérer être inférieure lorsqu’il est livré chez le client final, ce qui peut entraîner des plaintes. Cela pourrait donc augmenter la charge de travail du service client, mais aussi générer un coût supplémentaire, ce qui compenserait le prix d’achat inférieur. 

La science des données peut aider à l’identification de tels points de faiblesse.

L’ère des datascientists

La perte de son emploi causée par l’avènement du numérique est une crainte qu’on enregistre chez de nombreux employés. Selon une enquête du cabinet Roland Berger, 44% des emplois français seraient automatisables à l’horizon 2040.

Pour autant, cette crainte est infondée pour la majorité des employés. En premier lieu, le risque de suppression des emplois est beaucoup plus important si les organisations n’effectuent pas leur transformation numérique. Par ailleurs, ce sont précisément les membres du département achat qui ont des compétences analytiques ad hoc pour résoudre les problèmes auxquels elles sont confrontées. Le terme “data science” ne devrait en aucun cas les effrayer, bien au contraire.

La pandémie et la crise économique associée ont prouvé qu’il n’y a pas moyen d’échapper à la transformation numérique, et les départements achats ne font pas exception. Toutefois, au lieu de se mettre en quête de data scientists et de se confronter à la rareté de ces derniers sur le marché, il est sans doute préférable d’initier le changement au sein de l’organisation. Chaque employé doit acquérir la compréhension de ce que contiennent comme valeurs informatives les données et ce qu’elles peuvent leur apporter au quotidien.

C’est ensuite aux organisations de mettre à leur disposition les solutions dont ils ont besoin pour mettre leurs compétences en pratique. En plus de leur fournir ces solutions ad hoc, il s’agit avant tout de leur enseigner comment formuler et modéliser leurs questions. Cela leur offrira des possibilités d’identification des difficultés ou d’autres leviers d’optimisation, à partir des données disponibles. Ainsi, il leur sera possible de trouver eux-mêmes les clés de résolution de leurs problèmes, sans avoir à faire appel à un data scientist dédié.

La fin programmée des cookies au 1^er avril 2021 change les techniques de ciblage. Si Google a anticipé cette disparition dans son navigateur d’ici 2022, il existe d’autres biais réels ou prédictifs à la disposition des équipes marketing pour s’adapter aux profils de leurs prospects tout en mesurant le ROI généré par leurs actions.

Les cookies disparus, cibler ne sera désormais possible que sur des sites ” logués “, parmi eux bien entendu les sites des GAFA. En effet, Facebook et Google – parmi d’autres – collectent de nombreuses informations sur leurs utilisateurs, notamment en ce qui concerne leurs préférences, leurs comportements online, leurs interactions.

D’ailleurs, en 2021, les 2/3 de la publicité online sont monopolisés par Google et Facebook ! Les GAFA veulent attirer de plus en plus les annonceurs vers leurs écosystèmes. 

L’autre conséquence importante de la disparition des cookies est que l’on ne pourra plus mesurer par exemple le nombre de clics sur une publicité.

Mis à part les GAFA, les grands sites d’informations pourront tout de même exploiter leurs très importantes bases de données d’utilisateurs logués pour leur soumettre des publicités ciblées.

Quelles autres solutions pour pailler la disparition des cookies ?

– L’ID unique

Cette solution signifie la mutualisation d’ID uniques appartenant à chaque utilisateur, lesquels seraient proposés aux éditeurs de publicités pour affiner la correspondance des publicités aux cibles. Mais sa mise en place est loin d’être simple, elle nécessite en effet un accord unanime entre tous les acteurs du marché et l’adoption d’une norme technologique unique. 

– Le ciblage contextuel

Ici, la solution n’est pas le ciblage de l’internaute à proprement parler, mais plutôt la thématique de la page visitée pour l’affichage d’une publicité. Les algorithmes interprètent de mieux en mieux le contenu des pages grâce à l’analyse sémantique, ce qui permet ainsi de mieux cibler.

Ainsi par l’analyse de son comportement, une Intelligence Artificielle identifie son besoin de rechercher, ou devine ses différentes possibilités de recherche

– La Privacy Sandbox de Google

La Sandbox est une suite d’APIs liée à Chrome et sur lesquelles les annonceurs se connecteraient afin d’accéder aux données d’utilisateurs stockées dans le navigateur, tout en continuant de respecter la protection des données des utilisateurs. Le souci est que les éditeurs de publicités se retrouveraient dans une grande dépendance de Google.

– L’intention de recherche 

Une autre approche est de tenter d’identifier ce que l’internaute souhaiterait obtenir comme information dans son parcours d’achat ou d’utilisateur. Au lieu de diffuser une annonce publicitaire, la solution est plutôt de l’inciter à effectuer une recherche. Ainsi par l’analyse de son comportement, une Intelligence Artificielle identifie son besoin de rechercher, ou devine ses différentes possibilités de recherche. Le défi est de déterminer à quel moment il faut diriger l’internaute vers une recherche.

Pour conclure, si des solutions de remplacement existent aux cookies, reste à savoir de quelle façon elles pourront s’intégrer dans le paysage de la publicité online. Le ciblage contextuel est sans doute aujourd’hui l’alternative qui semble la plus pertinente compte tenu de la simplicité de sa mise en place…

On ne pilote plus une stratégie marketing avec les outils d’il y a 15 ans, ni même avec ceux d’il y a 5 ans. Le volume exponentiel des données collectées par une multiplicité de sources comme leur complexité déclasse les tableaux de bord traditionnels. De nouveaux acteurs ont su en tirer profit.

Les entreprises se sont alors dotées de multiples tableaux de bord, de plus en plus complexes et riches, dont l’objectif était de les aider dans l’organisation et l’analyse des informations auxquelles elles ont accès. Ces tableaux de bord offrent une multitude d’informations stratégiques pour qui sait les interpréter et les transformer en recommandations d’actions. Ce sont les fameux insights.

Plus les informations disponibles augmentent, plus la complexité de ces tableaux de bord se renforce. Si de nombreux acteurs de l’écoute des réseaux sociaux sont devenus des experts pour vendre ces tableaux de bord et leur système d’alertes multiples et variées, peu d’entre eux reconnaissent que quelle que soit la technologie déployée, le niveau de données récoltées n’a absolument aucune valeur, si aucun humain doté d’expertise n’analyse ces tableaux.

En période de crise, tous les professionnels du marketing doivent tous relever le challenge de faire mieux, gagner en efficacité et en agilité, avec des budgets contraints. La data intelligence gagne en importance compte tenu de la perte de vitesse de l’usage des tableaux de bord standardisés.

Les annonceurs, compte tenu d’un contexte économique dégradé et incertain, ont besoin d’indicateurs clairs, avec des recommandations d’actions concrètes rapidement actionnables. Tout ce qu’un tableau de bord traditionnel ne peut offrir. Tous les marketeurs sont d’accord : sans contextualisation ni analyse des données, ces dernières n’ont que très peu de valeur. Grâce à la data Intelligence les données sont transformées en information, l’information en savoir et le savoir en valeur. La compréhension des évolutions de comportements des prospects/clients, de leurs attentes et ressentis dans un environnement incertain est indispensable pour le pilotage d’une marque.

Pour faire face à ce contexte économique incertain, ces entreprises ont évidemment besoin de ces nouvelles technologies intelligentes

Les entreprises recherchent de plus en plus de solutions sur mesure, adaptées à leur problématique. Pour bénéficier de ces solutions, soit les marques investissent dans ces dispositifs un budget conséquent, soit elles s’adressent à des acteurs plus petits, mais bien plus agiles, ces derniers pouvant leur offrir de la flexibilité certes, mais surtout la possibilité d’adapter la technologie aux besoins de leurs clients.

Dans un marché qui se consolide avec des leaders qui émergent, les acteurs qui ont su garder leur avance technologique, et continuer à répondre aux besoins de leurs clients sont les grands gagnants. Ils permettent à des organisations de taille moyenne, PME, ETI voire TPE de bénéficier de solutions de pilotage pointues. Pour faire face à ce contexte économique incertain, ces entreprises ont évidemment besoin de ces nouvelles technologies intelligentes, d’interlocuteurs pédagogues et disponibles pour les assister durant cette crise structurelle. Compte tenu du développement accéléré de la numérisation de notre économie, la nécessité de faire accéder de plus en plus d’organisations à des solutions de pilotage numérique de leur marque est devenue impérieuse et incontournable, tel est le défi actuel pour les experts de l’intelligence des données.