L'exploration, l'enrichissement et la valorisation de vos "Big Data": un nouvelle source d'innovation pour les entreprises.
Un nouveau vecteur d'innovation
Face à une pression concurrentielle toujours plus forte, les grandes entreprises cherchent en permanence de nouveaux facteurs de différenciation. Cette course à l'innovation se fait le plus souvent selon trois faisceaux :
- La compétence interne : comment tirer le meilleur de notre savoir-faire actuel pour attaquer de nouveaux marchés ?
- La connaissance client : comment mieux comprendre les besoins de nos clients pour leur proposer de nouvelles offres ?
- Les tendances: comment exploiter les nouvelles technologies pour faire émerger des opportunités business ?
Les progrès techniques importants de ces dernières années en matière de sauvegarde et de traitement des données ont ouvert de nouveaux horizons pour les entreprises.Collecter, stocker et processer la donnée n'a jamais coûté aussi peu cher.
Ainsi, c'est un quatrième axe d'innovation qui émerge : l'exploitation des données et outils internes.
Formulé de la sorte, cela ne semble pas être une révolution. Cependant, cette approche est très différente de celle pratiquée par les grandes entreprises depuis des années (les pure players technologiques mis à part). Historiquement, les avancées technologiques ont été vues comme des occasions de réduire les coûts plus que de générer de nouvelles opportunités.Mais les grands du Web (Amazon, Google, etc.) ont changé la donne en introduisant des ruptures à la fois de business model et de technologies. Ils sont aujourd'hui une vraie source d'inspiration pour toutes les sociétés en quête d'innovation.
Nous sommes maintenant en mesure de créer de nouveaux usages en exploitant des données toujours plus nombreuses et des outils de traitement plus performants, le tout étant rendu facilement accessible par l'utilisation de plateformes cloud.
Cinq modèles pour exploiter ses données
Le travail combiné de chercheurs, d'universitaires et d'industriels (1)(2) a conduit à isoler cinq modèles d'exploitation des données.
Modèle 1 : améliorer les produits pour générer des données
Dans ce premier modèle, il s'agit de jouer sur les possibilités technologiques du "Big Data" en multipliant les sources de données puis en les stockant et en les exploitant pour offrir de nouveaux services.
Deux bons exemples de cette approche sont les produits créés par Allianz et AXA :
- Allianz propose, en partenariat avec Tom-Tom, une application smartphone qui exploite les données collectées directement sur la voiture (via le port diagnostic). L'application propose un certain nombre de services liés à la qualité de la conduite et la détection d'incidents.
- Dans le même esprit, AXA nous propose son application "AXA Drive" qui collecte également de la donnée (mais directement depuis les capteurs du téléphone) et propose une batterie de services comme la navigation et l'optimisation de trajets.
Ces deux exemples montrent bien l'exploitation qui est faite des données générées par des produits qui ont été technologiquement améliorés (voiture connectée et capteurs des smartphones).
Modèle 2 : numériser des objets traditionnels
Là encore, ce modèle repose sur des progrès technologiques qui nous ont permis de numériser puis de mettre à disposition des contenus par le passé difficilement accessibles.
Les meilleurs exemples sont iTunes, Spotify, Netflix... Ces outils ont révolutionné notre mode de consommation et ont constitué des innovations de modèles économiques dans des industries qui avaient du mal à se renouveler.
Modèle 3 : combiner des données issues de différents secteurs d'activité
Combiner sa donnée avec celle d'autres acteurs du même secteur ou d'autres acteurs d'activité, c'est l'enrichir avec la perspective de la monétiser.
On peut citer des initiatives :
- En finance de marché, avec le croisement de données financières avec des données météorologiques (trading en matières premières)
- Dans la santé, avec le croisement de données telles que la température de l'habitat et la consommation d'eau pour des milliers de retraités afin de leur apporter une assistance plus rapide en cas de comportement anormal
- Du transport, en collectant l'ensemble des données des acteurs de la livraison à domicile pour optimiser leur trajet et améliorer le trafic et l'impact écologique
Modèle 4 : échanger des données
Ce modèle est un exemple du principe gagnant-gagnant.
Contrairement au modèle précédent, il ne s'agit pas forcément d'enrichir de la donnée avec celle d'autres acteurs, mais bien de vendre (offrir) ses données à un autre acteur qui va lui même les revendre sous couvert d'un autre service.
Prenons l'exemple de TomTom et Vodafone. En s'appuyant sur son réseau, Vodafone dispose d'informations précises sur l'état du trafic routier. Informations qui sont revendues à Tom-Tom qui nous les propose dans son offre de GPS.
Modèle 5 : codifier une expertise de service distinctive
Le dernier modèle proposé par le groupe de travail (1) vise à exploiter des outils ou des données déjà utilisées en internes et à les ouvrir à l'extérieur sous forme de service. Ce modèle est bien sûr facilité par les technologies "Cloud".
On retrouve cette approche dans le livre Rework. L'équipe de 37signals considère que tous les assets internes de l'entreprise et toutes les productions doivent être monétisées (même si elles n'ont rien à voir avec le core business).
Ainsi, IBM a créé une offre autour de son outil interne de gestion de frais. Dans une moindre mesure, la société Xebia France a packagé une version B2B de son outil de pilotage de programmes agiles : Bee.
Quel modèle choisir ?
Cette approche en cinq modèles a le mérite de structurer la démarche de recherche d'une innovation qui repose sur les assets de l'entreprises. En réalité, chaque initiative est une combinaison de plusieurs de ces modèles simples.
Malheureusement, pour une entreprise, la volonté de s'investir dans un projet de data ne fait pas tout. Ces projets sont souvent difficiles car ils touchent à ce que l'entreprise a de plus précieux (après ses hommes) : ses données.
Dans un prochain article, nous verrons par quel angle attaquer un projet de data.
(1) Rashik Parmar : Président de l'Academy of Technology d'IBM - Ian Mackenzie : Maître de conférences à la Harvard Business School - David Cohn : chercheur au Thomas J. Watson Research Center d'IBM - David Gann : VP développement et innovation à l'Imperial College de Londres
(2) Harvard Business Review - Août-septembre 2014
