Du bon usage de la data

SM-couverture-T4 2017

Digital, BI, prédictif… Du bon usage de la Data dans le Marketing & les études

L’abondance de données transforme en profondeur la conduite des affaires et les modes de prise de décision en entreprise. Nous sommes en train de passer d’une démarche basée sur la réflexion, l’intuition et l’expérience à des processus automatisés, qui s’appuient principalement sur la Data. Ce changement de paradigme et le tourbillon digital qui l’accompagne nous plongent dans une fébrilité techno-centrée qui fait oublier la réflexion et annihile toute velléité de distanciation.
C’est justement ce temps de la réflexion que nous avons décidé de retrouver dans ce dossier de Survey-Magazine, à travers des analyses qui portent notamment sur les attentes à placer dans la Data, les limites à se fixer pour éviter la déshumanisation sous-jacente, les gardes-fous indispensables en matière de gestion des données personnelles… Mais avant tout, commençons par définir plus précisément le sujet de la Data.

La Data, une science complexe

Les sources de la complexité

Parler de la Data, des algorithmes ou de la transformation numérique n’est pas une mince affaire : on a tendance soit à se lancer dans des généralités intéressantes mais peu fécondes, soit à aborder des aspects techniques précis, souvent complexes et toujours réducteurs. Cette difficulté a plusieurs raisons :

  • Personne ne sait vraiment bien délimiter le sujet : On sait évoquer, pour présenter le phénomène, les masses énormes de données qui sont produites et circulent aujourd’hui sur la toile et dans les systèmes d’information des entreprises. On sait convoquer une nouvelle révolution industrielle induite par le digital, l’intelligence artificielle, la réalité augmentée et autres objets connectés… Mais on a beaucoup plus de mal à séparer ce qui est du domaine macro et ce qui pourrait être actionné au niveau de chaque entreprise. Les contours sont également flous en ce qui concerne la volumétrie puisqu’on accole le qualificatif Big à Data, à la fois pour matérialiser la prolifération de données de sources variées et pour évoquer des ensembles de données volumineux.
  • Il est difficile d’apporter des réponses claires et reproductibles : Les exemples de réalisations que l’on évoque généralement pour illustrer les apports des nouvelles données ne suffisent pas toujours à éclairer sur la démarche à suivre. Les multiples applications chez les GAFA ou les NATU (Netflix, Airbnb, Tesla, Uber) sont impressionnantes mais ne concernent qu’une minorité d’entreprises. Celles que l’on présente au niveau de structures plus traditionnelles sont souvent liées au métier et au contexte particulier de l’entreprise concernée et ne permettent pas une véritable extrapolation.
  • Il y a beaucoup de marketing là-dedans : Le Data washing (ou digital washing) est à la mode. Beaucoup des concepts évoqués dans ce domaine correspondent à une déclinaison d’activités et de techniques connues : bases de données, outils CRM, datamining, scoring, analyse multidimensionnelle… D’ailleurs, les méthodes d’analyse statistique utilisées pour traiter les mégadonnées sont, pour la plupart, connues et appliquées de longue date. Le nouvel habillage se décline en anglicismes et buzzwords éphémères et en constant renouvellement.
  • Il y a beaucoup de fantasmes dans ce domaine : A force d’entendre parler de miracles, on devient croyant. Le battage autour de la Big data génère souvent des attentes irréalistes. Généralement, plus on est éloigné de la technologie, plus on en attend des merveilles. On imagine ainsi que les réseaux sociaux regorgent d’insights de qualité, que toutes les réponses aux questions marketing sont cachées quelque part dans le web, qu’il suffit de suivre la fréquentation des sites web pour saisir les désirs et motivations des consommateurs, que chaque masse de données cache nécessairement du sens… On néglige en la matière le facteur humain, qui reste plus déterminant que jamais.
  • Il n’y a pas beaucoup de professionnels formés de manière complète : La Data n’a pas encore ses spécialistes, même si les formations dans ce domaine se multiplient à grande vitesse. De nombreux Masters ont vu le jour à l’université et dans les grandes écoles de commerce et d’ingénieurs, autour des thématiques du Big data et de la Data Science. Certaines formations prometteuses proposent des doubles cursus ingénieur/management, qui allient un haut niveau en mathématique avec l’orientation business et stratégie, ce qui nous semble indispensable pour réussir à appréhender et à traiter de manière pertinente les masses de données à visée décisionnelle. Pour l’instant, les diplômés sont peu nombreux et manqueront encore de l’expérience et du recul que leur apporteront le temps, les essais-erreurs et la maturité.
  • Les contraintes juridiques sont encore floues :C’est le moins que l’on puisse dire. Dans ce domaine où l’essentiel des données est généré par les individus, beaucoup d’usages courants de la data peuvent contrevenir aux législations nationales ou européennes. Le nouveau règlement européen sur la protection des données (RGPD) vise à bien définir les limites mais introduit de nouvelles complexités. Il entrera en application le 25 mai 2018, avec son lot d’obligations et de précautions, conçues certes pour la bonne cause, mais qui risquent de peser sérieusement sur les stratégies Big data des entreprises. Certaines études estiment que deux tiers des entreprises ne seront pas en conformité lors de l’entrée en vigueur de la loi.
  • La dimension humaine est souvent négligée :Les prouesses de la technologie peuvent faire oublier les hommes et les femmes qui sont derrière. Malgré tous les fantasmes qui accompagnent l’intelligence artificielle, nous sommes encore loin de systèmes intelligents autonomes, capables d’inventer seuls des solutions nouvelles. Ce qu’on peut faire aujourd’hui relève plutôt de l’automatisation des tâches et d’un apprentissage de fonctions très spécifiques, à partir de règles et de processus pensés par leurs concepteurs.

Garder la tête froide

Chaque nouvelle vague de technologies a suscité sa dose de fascination et d’incertitudes. Il n’est que de penser aux débuts de la micro-informatique ou, plus près de nous, de l’Internet, pour constater que seule la méconnaissance initiale de chaque phénomène a suscité la méfiance ou les interrogations sur l’utilité et les modalités de mise en oeuvre. Songez, lors des débuts du web, à la sempiternelle expression médiatique d’« autoroutes de l’information » dont on nous a rebattu les oreilles et qui pouvait nous paraître à la fois incompréhensible et essentielle à comprendre. C’est à partir du moment où nous avons compris que le micro-ordinateur ou l’Internet n’étaient que des outils et non des sujets en soi, que nous avons pu les domestiquer.
Il en ira de même de la révolution de la Data. C’est en gardant la tête froide par rapport au tourbillon technologique et médiatique, et en abordant la Data comme un outil et non comme une finalité que nous pourrons en tirer des bénéfices concrets. Voici quelques éléments à garder à l’esprit pour ne pas se laisser déborder :

  • La Data la plus utile et la plus pertinente dort souvent dans nos bases de données. L’activation de ces données disponibles doit être une priorité, avant de passer à l’étape suivante. Ces données seront un capital disponible pour un croisement ultérieur avec les datas externes ou nouvelles.
  • Les réseaux sociaux n’apportent pas toujours une information suffisante et qualitative. Les remontées peuvent être trop peu nombreuses (fiabilité statistique), partielles (bruit négatif uniquement) ou trompeuses (cf les faux commentaires, les biais lors de la présidentielle…). Il ne faut donc surtout pas se départir de son esprit critique dans l’analyse de ces remontées.
  • L’Open-Data est largement sous-utilisé. Les bases de données publiques regorgent d’informations utiles (sur les populations, les territoires, les infrastructures, les équipements…).
  • La Data brute ne conduit généralement pas à des décisions pertinentes. L’activation du sens passe le plus souvent par le rapprochements de données de sources différentes (comportement + historique et/ou signalétique…)
  • Il n’y a pas toujours une réponse quelque part. La data ne remplace pas l’instinct et l’expérience des managers. La machine ne prend pas des paris. Elle fait de la statistique et ne choisit que par rapport aux situations passées. Les algorithmes n’apportent que des réponses standardisées dans des situations connues.
  • Il n’y a pas d’algorithme automatique qui ne soit une production de l’esprit humain. Les machines font aujourd’hui ce qu’on leur demande de faire. L’intelligence artificielle n’est qu’un ensemble d’algorithmes basés sur des règles précises. La pertinence de ces règles dépend de leurs concepteurs.
  • L’exploitation de la Data est une chose trop sérieuse pour être confiée aux seuls techniciens. La connaissance du métier et l’approche stratégique des enjeux sont des facteurs déterminants. La Data Science exige une combinaison de compétences informatiques, statistiques et business.
  • Une exploitation systématique de la data peut être contre-productive et générer la lassitude ou le rejet de la part du consommateur surexposé. Il faut donc se méfier des tentations de culture intensive et s’en tenir à une culture raisonnée de la Data.

Dans cet univers digital en pleine expansion, le développement d’une culture Data à tous les niveaux de l’entreprise est certes un priorité. Mais la Data doit rester à sa place : c’est un outil au service des experts humains qui le conçoivent, s’en servent et le font évoluer, avec leur intelligence et leur expérience.

Contenu du dossier

tableau analyse de données
Data Concepts
loupe analyse tableaux, graphiques et courbes statistiques
La Data au service de la Human centricity
homme avec une pencarte smiley representant le sentiment de joie
La frénésie de la transformation digitale et son impact sur les études
analyse graphiques et courbes études marketing
La protection de données à caractère personnel
travail-ordi-pro
Aller du sens dessus-dessous vers le sens au-dessus de tout
smart-data
Smart data pour la performance opérationnelle des entreprises
data-economie
La nouvelle économie de la data
pro-noir
Marketing Mix Modeling : premier jalon du data prédictif
smartphone-cadeaux
Big Data, BI et Data Science : Parlons-nous de la même chose ?
data-marketing
Le Data Marketing en questions

LAISSER UN COMMENTAIRE

Please enter your comment!
Please enter your name here