Selon l’ARCEP (Autorité de régulation des communications électroniques et des postes), le taux de pénétration des équipements mobiles dans la population française dépassait les 100 % en septembre 2011. Dans son observatoire 2010, le régulateur pointait par ailleurs la forte croissance des volumes échangés, par exemple + 2,3 % pour la voix, + 63,1 % pour les SMS… et  même + 128,9 % pour les données.

Cette explosion des volumes, combinée à la multiplication des terminaux connectés et à la diversité des usages, oblige les opérateurs de télécommunications à gérer de plus en plus finement la capacité de leurs réseaux. Et surtout, à mieux prévoir à l’avance les pics de charge, synonymes de dégradation de la qualité de service. Autrefois, prévoir la demande était relativement simple : il suffisait de se baser sur l’historique des consommations et sur les prévisions sociodémographiques pour prévoir quand et où étendre les infrastructures réseau.

Les analyses historiques ne sont plus suffisantes

Le défi est aujourd’hui d’une toute autre ampleur. Dans un marché très concurrentiel, où de nouveaux entrants se positionnent avec des tarifs sans cesse plus attractifs, les consommateurs se font particulièrement exigeants sur la qualité de service. Un réseau indisponible, des SMS qui ne passent pas, un débit bridé et les clients fuient vers la concurrence ! En parallèle, le déploiement des équipements (notamment des antennes-relais) représente un certain coût pour les opérateurs… sans compter le temps nécessaire à assurer la couverture.

Les opérateurs ont donc crucialement besoin de prévoir au plus près l’évolution de la demande pour établir la stratégie de développement adéquate. Quels investissements effectuer en priorité, dans quelles zones géographiques ? Comment dimensionner le réseau pour faire face aux pics de charge éventuels, sans pour autant surdimensionner la capacité ? Comment offrir la meilleure qualité de service au maximum d’usagers ? Le capacity planning, ou planification de la capacité, a pour rôle de répondre à ces questions.

De multiples paramètres pour mieux prévoir

Le capacity planning s’appuie sur un grand nombre de paramètres, à la fois techniques, démographiques, géographiques, économiques et temporels. Il faut notamment connaître la charge que peuvent soutenir les différents équipements du réseau, en tenant compte à la fois des informations fournies par les fabricants et des mesures sur le terrain. Les contraintes liées à la mobilité des usagers doivent également adressées, afin d’éviter les interruptions lors du passage d’une cellule à l’autre. Il faut, enfin, surveiller les fréquences allouées pour éviter les problèmes d’interférences et assurer un acheminement à bon port des échanges.

Il est utile de croiser ces aspects technique avec des données démographiques et géographiques précises, pour savoir par exemple combien de personnes en moyenne travaillent dans telle ou telle zone, combien vivent dans telle autre ou encore quelles sont les périodes et tranches horaires connaissant des pics de charge. Dans certains cas, des événements exceptionnels peuvent également nécessiter d’augmenter temporairement la bande passante : les Jeux Olympiques ou le jour de l’An, mais aussi les grèves de transports… ! A cela s’ajoutent enfin les données commerciales et marketing : nombre de ventes effectuées et prévisions sur les ventes à venir, types de contrats souscrits, types de terminaux, profil des clients (âge, catégorie socio-professionnelle, etc.).

Les policiers le savent : certains lieux, à certains moments et dans certaines circonstances, sont plus enclins que d’autres à se faire le théâtre de crimes. Ces « points chauds » font partie de la culture collective des services de police, mais qui peut être assuré que le fonctionnaire qui en possède la connaissance spécifique sera là au bon moment ?

Les progrès de l’informatique ont permis de constituer des bases de données bien plus complètes qu’autrefois – en théorie, tous les éléments y figurent qui pourraient permettre de dégager une ou plusieurs pistes, et même de prévoir des crimes ou des délits. Reste à disposer de programmes suffisamment puissants, mais surtout suffisamment intelligents pour tirer quelque chose de ces données.

Aux Etats-Unis, et notamment à Las Vegas et à Rochester, la Police utilise désormais des solutions d’analyse prédictive afin de pouvoir agir plus efficacement sur la criminalité. Dans la ville aux 78 casinos, c’est un programme nommé Coplink (littéralement « le lien des flics ») qui aide ainsi à établir et remonter des « connexions non évidentes » entre des individus, des lieux, et des objets comme des téléphones ou des automobiles.

Ces solutions d’analyse prédictive permettent de mettre en perspective toutes sortes de données, depuis les compte-rendus d’arrestation ou la surveillance vidéo, jusqu’à des posts ou des statuts imprudents publiés sur Facebook ou Twitter – le dernier exemple de ce cas, pas si rare aujourd’hui semble t-il, a été donné par le cambriolage du fantaisiste Michael Youn la nuit du jour de l’an, après qu’il ait publié sur Facebook la vue de son appartement qui donnait une bonne idée de son adresse, et que sa compagne ait posté sur twitter leur photo à Megève le 31 décembre…

« Nous utilisons des outils intelligents pour aider à trouver des choses cachées dans la masse des informations théoriquement disponibles. Car la masse de données ne sert pas à grand chose si on ne peut pas y trouver une logique ! » conclut Mark Cleverley d’IBM.

Pour compléter cet article :

• Las Vegas and Rochester fight crime with IBM analytics

• Michael Youn cambriolé : avait-il laissé trop d’indices sur Twitter et Facebook ?

Tout marketeur veut faire grandir les paniers d´achat de ses consommateurs. Il dispose de trois armes clés :

• l´up-selling pour vendre « mieux »,
• le cross-selling pour vendre « avec »
• et la recommandation pour vendre « aussi ».

A un moment où les marques doivent se battre pour défendre leurs positions, alors que le monde n´a jamais été aussi multicanal , il peut sembler tentant de bombarder tous azimuts les consommateurs avec ses offres. Problème : la tolérance aux sollicitations commerciales a des limites ! Comment gérer alors la pression marketing ?

La collecte et l´analyse des données clients tiennent un rôle fondamental pour opérer une segmentation fine, de nature à présenter les bonnes offres au bon moment dans le bon canal, à la bonne personne. C´est le rôle du marketing prédictif.

Reste à pouvoir mesurer l´efficacité des stratégies d´optimisation du revenu. Les indicateurs quantitatifs comme l´ARPU ou l´AMPC sont-ils suffisants ? La notion de Lifetime Value a t-elle encore un sens quand la demande est en berne ?

Autant de questions d´actualité qui seront débattues lors de la nouvelle édition du Cercle du Marketing Prédictif, jeudi 16 Février prochain au Pershing Hall.

Pour vous inscrire à ce prochain Cercle du Marketing Prédictif, remplissez simplement le formulaire situé ci-dessous. Attention, le nombre de places est limité !

Formulaire d’inscription :

Centrales thermiques et nucléaires, plates-formes pétrolières, raffineries, usines chimiques ou même installations agricoles manipulent régulièrement des produits dangereux. Ces sites ne sont pas à l’abri des défaillances. Dans de tels contextes, ces dernières peuvent entrainer des conséquences graves, aussi bien pour le personnel, directement exposé, que sur la santé des populations vivant à proximité ou sur l’environnement naturel. La prévention des risques est donc un sujet particulièrement vital pour les industriels de la chimie ou de l’énergie, qui doivent tout mettre en œuvre pour prévenir les accidents.

Cette prévention passe notamment par l’analyse des défaillances et accidents passés. En France, 40 000 événements de ce type, tous secteurs confondus, sont ainsi recensés dans la base de données ARIA, gérée et alimentée par le Bureau d’Analyse des risques et Pollutions Industriels (BARPI). Ce dernier est rattaché à la Direction Générale de la Prévention des Risques du Ministère du développement durable. Les données proviennent des organismes publics chargés de la surveillance des installations classées, mais aussi de la presse, de certains organismes industriels et d’instances étrangères. Dans ce domaine, on peut également citer la base néerlandaise FACTS, son équivalent allemand ZEMA ou encore les travaux du CSB (U.S. Chemical Safety Board).

De telles informations sont précieuses pour les industriels qui mettent au point des plans de prévention des risques. Elles permettent notamment de recenser les défaillances matérielles, humaines ou organisationnelles à l’origine d’accidents, ainsi que leur degré de gravité. Si certains facteurs sont bien spécifiques à une industrie donnée, d’autres peuvent concerner l’ensemble des acteurs évoluant dans les secteurs sensibles, en particulier pour les accidents dont les causes sont d’origine humaine ou organisationnelle. Il s’avère donc pertinent de ne pas se limiter aux accidents recensés dans son domaine d’activité, et d’étudier aussi ceux survenus dans des secteurs connexes.

Des données pour prédire le niveau de risque

Tous ces éléments pourront alimenter des solutions d’analyse prédictive afin d’établir des profils de risques à surveiller, en déterminant par exemple que la corrosion des réservoirs se retrouve comme cause dans 20% des accidents, ou qu’à partir de telle quantité de produit manipulée, les accidents ont plus de probabilité d’avoir des conséquences graves.

Ces données pourront ainsi aider les entreprises à identifier ce qui doit être rectifié ou amélioré dans leurs stratégies de prévention des risques, par exemple :

• Quelles sont les interventions de maintenance à mener en priorité ? Sur quels équipements ?
• A quelle fréquence planifier les contrôles techniques ?
• Faut-il revoir les modes opératoires existants ?
• Sur quoi mettre l’accent pendant la formation des nouveaux opérateurs ?
• Quelles mesures de sécurité prévoir ?
• Comment établir un plan de secours adapté ?

L’entretien des infrastructures publiques coûte cher. Ainsi, selon le site des Canalisateurs de France, il faudrait environ deux milliards d’euros par an pour renouveler les 906 000 kilomètres de réseaux d’eau potable et les 290 000 kilomètres de réseaux d’assainissement. A cela il convient d’ajouter les stations d’épuration, les réseaux de distribution de gaz, les lignes et transformateurs électriques, les installations téléphoniques, autant d’équipements dont la maintenance représente un coût élevé pour les collectivités locales ou les grandes entreprises de services.

La maintenance prédictive peut être une source d’économies importantes pour ces acteurs. En effet, ces équipements sont aujourd’hui souvent remplacés par séries de tranches fixes, en se basant sur des échéanciers prédéterminés. Mais cette approche présente des limites : le risque est de changer des infrastructures qui étaient encore en bon état… et de passer à côté d’autres qui présentent fuites ou dysfonctionnements, et parfois même des risques pour la santé publique. En collectant et en analysant certaines données, il serait possible d’identifier précisément les équipements usagés et de les renouveler en fonction de leur état réel.

Comment faire ? Dans le cas des réseaux de distribution d’eau ou d’autres fluides, des capteurs d’écoulement pourront surveiller la pression et le débit à différents points du réseau, afin de détecter la présence de fuites sur tel ou tel segment. L’analyse des particules présentes dans l’eau permettra, quant à elle, d’identifier des canalisations dégradées ou des défauts dans le réseau à l’origine de contaminations par des éléments extérieurs. Ces données pourront aussi servir à identifier les matériaux susceptibles de se dégrader plus rapidement. Dans le cas des réseaux électriques ou téléphoniques, il s’agira par exemple de remplacer les équipements en se basant non pas sur les seules recommandations des fabricants, mais aussi sur l’historique des interventions et des pannes.

Avec l’essor des technologies de type radio-identification ou RFID, un nouveau modèle émerge pour les infrastructures publiques, celui des « smart grids ». Dans ces réseaux intelligents, capables de communiquer en temps réel des informations sur leur état, sur la consommation des utilisateurs ou sur l’environnement, gageons que la maintenance prédictive trouvera naturellement sa place. Selon les estimations du cabinet de conseil GTM Research, le marché des « smart grids » frôlera les sept milliards d’euros à l’horizon 2016, soit deux fois plus qu’en 2012.

Ces investissements sont d’autant plus indispensables qu’à ces vulnérabilités naturelles et technologiques s’ajoutent les incertitudes économiques qui accentuent la pression sur les prix, et nécessitent donc, encore plus que par le passé, une agilité et une performance de la chaîne logistique.

Pour Christopher Holmes, consultant chez IDC, « d’un point de vue technologique, nous observons des efforts accrus de la part des entreprises pour être plus efficientes, et les outils analytiques permettent précisément de concilier réduction des coûts et productivité ». Dans son rapport « “Asia/Pacific Manufacturing 2012 Top 10 Predictions”, le cabinet IDC anticipe ainsi pour 2012 des investissements significatifs des industriels asiatiques en outils d’analyse prédictive et de Business Intelligence, précisément pour accélérer la prise de décisions, à la fois aux niveaux stratégiques et tactiques, et pour améliorer les processus logistiques. Ces derniers doivent en effet être reconfigurés dans la mesure où, toujours selon IDC, les industriels asiatiques devraient davantage se recentrer sur leurs marchés domestiques dans les années à venir.

S’il est un domaine où il est difficile de prédire les événements, c’est bien la cybercriminalité, au moins pour trois raisons. D’abord parce que les comportements criminels obéissent à une part d’irrationalité, ensuite parce que l’état des techniques d’attaque et de protection évolue très rapidement, enfin parce que l’évolution de la sensibilisation des victimes potentielles aux risques reste aléatoire.

Face à un domaine particulièrement délicat à appréhender, les méthodes statistiques ne sont guère pertinentes. On ne peut en effet se baser, de manière quantitative, sur des évènements passés (à supposer que l’on en connaisse l’exhaustivité) pour prévoir l’avenir. Par exemple, on ne pourrait pas se baser sur un nombre d’attaques virales pour une période donnée pour en déduire un nombre futur. Certes, la probabilité de tomber juste ne serait pas nulle, mais l’intérêt de l’exercice reste limité…

L’approche utilisée par le groupe d’experts qui a participé à la publication du document « Analyse prospective sur l’évolution de la cybercriminalité de 2011 à 2020 » s’est inspirée de la méthode Delphi. Cette approche est adaptée à l’étude prospective de phénomènes qui ne peuvent être étudiés de manière statistique. Le principe est le suivant : un panel d’experts (vingt-deux dans le cas de l’étude de la Gendarmerie nationale) issus des secteurs public et privé est constitué. Chaque expert ne connaît pas l’identité des autres, de manière à éliminer les biais liés aux personnalités et aux compétences.

Sur la base d’un questionnaire établi par un comité scientifique, un processus itératif permet alors à chaque expert de formuler son opinion sur chaque question posée. A l’issue d’une première vague de réponses, une synthèse intermédiaire est rédigée et les experts se positionnent par rapport aux opinions des autres membres du panel et sont invités à justifier leur opinion, si elle diverge de celle du groupe. La méthode se déroule sur trois tours. L’objectif, à l’issue de plusieurs itérations, est de parvenir à un consensus des experts.

Et, de fait, cette étude a permis de dégager les grandes tendances sur lesquelles les experts s’accordent en matière de cybercriminalité. Elle a ainsi mis en évidence, entre autres, le développement de la dimension financière de la cybercriminalité, avec un blanchiment facilité par le contournement via internet du système bancaire classique.

Ont été également mis en évidence l’implication de groupes criminels organisés, et l’apparition de nouveaux risques avec l’essor de la bioinformatique et la pose d’implants bioélectroniques dans le corps humain. Sans oublier que le développement de la domotique et des objets communicants favoriseront aussi les portes d’entrée pour les cybercriminels.

Le consensus s’est aussi fait sur le caractère volatile des données de preuve et les difficultés de remontée aux sources des infractions, en l’absence de moyens légaux offensifs…

Cette étude démontre à nouveau la possibilité d’arriver à des prédictions en l’absence de séries statistiques, en suivant un protocole solide.

D’abord, préciser le ou les périmètres d’intervention, en particulier pour distinguer les systèmes et les sous-systèmes concernés.

Pour cela, trois approches sont à privilégier. Pour commencer, s’intéresser aux dispositions réglementaires qui précisent les contrôles périodiques qu’il y a lieu de mener sur certains matériels ou infrastructures. On en déduit une liste de cibles obligatoirement concernées. Ensuite, il faut étudier ce que préconise le constructeur des matériels en matière de maintenance, surtout si le non-respect des opérations de maintenance conditionne l’application de la garantie du constructeur. Enfin, de manière plus concrète, on peut étudier le comportement passé des matériels, à la fois sur le plan technique mais également par des retours d’expérience de leurs utilisateurs. Ces derniers, en contact quotidien avec les matériels, sont en effet très utiles pour repérer les comportements anormaux annonciateurs de dysfonctionnements plus sérieux.

L’une des approches les plus courantes est l’AMDEC, ou Analyse des Modes de Défaillance, de leurs Effets et de leurs Criticités. Cette méthode sert à déterminer les points faibles d’un équipement. Le principe est de calculer un indice de priorité des risques (IPR) reposant sur trois éléments : la gravité d’un événement, son occurrence et sa détection. L’IPR varie de 1 à 10, 10 représentant le niveau le plus critique. On peut également recourir à une approche de type MBF (maintenance basée sur la fiabilité) qui permet de construire un plan de maintenance à parti des conséquences des défaillances potentielles.

Lorsque le périmètre est bien défini, la seconde phase va consister à sélectionner les niveaux de maintenance qui vont s’appliquer.

On distingue généralement trois niveaux de maintenance : systématique, conditionnelle et prévisionnelle. La première équivaut à déterminer un plan de maintenance régulier, avec un remplacement de pièces selon un échéancier basé sur leur durée de vie prévisible. La seconde repose sur la surveillance des équipements et l’observation de certains paramètres qui, s’ils atteignent une certaine valeur, déclenche une opération de maintenance. La troisième, que l’on peut également appeler « maintenance prédictive » est définie par l’AFNOR comme « exécutée en suivant les prévisions extrapolées de l’analyse et de l’évaluation de paramètres significatifs de la dégradation d’un bien ». Pour chaque équipement, on peut ainsi définir les opérations de maintenance qui s’appliquent, en particulier les types d’actions (remplacement systématique ou suivi conditionnel), les différents paramètres de suivi, la périodicité de remplacement ou de surveillance, les valeurs de référence et les seuils d’alarme, les types d’intervenants (simple technicien ou expert), les moyens matériels à mettre en œuvre ou encore les procédures de remplacement et de surveillance.

Il reste à assurer les conditions d’efficience du plan de maintenance préventive.

Cela suppose que soient présents (et opérationnels) trois éléments. D’abord, les éléments techniques et de surveillance. On imagine mal, en effet, mener à bien des opérations de maintenance préventive si l’on ne dispose d’aucun dossier technique du constructeur, de peu de moyens de surveillance (par exemple des analyseurs de vibrations, des capteurs, des caméras, des dispositifs de mesure…).

De même, il importe que la communication entre les différentes parties prenantes soit suffisamment fluide, notamment entre les techniciens et les experts chargés des opérations de maintenance, le management de l’entreprise, les équipes du constructeur et, éventuellement, les sociétés de services et d’intégration.

Enfin, un contexte organisationnel favorable est fondamental. L’entreprise, et c’est un minimum, doit disposer d’un plan de maintenance (voire d’un plan qualité) à jour, et d’une organisation (avec des procédures et un degré suffisant de formalisme) qui facilite son exécution, dans le respect des normes.

« Le Social Shopping constitue une nouvelle expérience d’achat communautaire dans la mesure où les internautes s’échangent des opinions sur les produits, les marques et les prix », résume Christine Balagué, enseignante-chercheuse et titulaire de la toute nouvelle chaire « Réseaux Sociaux » à l’Institut Télécom. Le Social Shopping repose la question de l’influence des amis dans un processus d’achat.

Un phénomène de société

Le phénomène est loin d’être anecdotique : selon l’étude Ipsos/IBM « Smarter Commerce », publiée en 2011, 78 % des internautes font davantage confiance à leurs amis qu’à un discours de marque pour choisir un produit ou un service. En 2006, cette proportion était de 60 %. Plus de la moitié des internautes interrogés consultent les réseaux sociaux avant de décider d’acheter – ou pas – un bien impliquant. 35 % des « fans » d’une page de marque sur un réseau social utilisent cette page pour consulter les avis de consommateurs. Pour 25 % des répondants, accéder ainsi à des avis de consommateur constitue un élément important de leur décision d’achat.

D’ores et déjà, aux Etats-Unis, 20 % des consommateurs qui achètent sur le Web lisent et écrivent des commentaires, selon une statistique citée par le magazine économique Challenges (1er décembre 2011), et pour certains pays comme la Chine, la proportion atteint même 40 %. « Les amis influencent particulièrement les individus qui surveillent leur environnement social », précise Christine Balagué. En France, une étude Ifop publiée en 2009 nous révélait déjà que dans toutes les catégories de produits, hors médicaments et produits de grande consommation, Internet était le média ayant le plus d’impact sur les décisions d’achats. C’est le cas, par exemple, pour la moitié des décisions d’achats d’automobiles et de voyages.

Selon une autre étude, publiée cette fois par le cabinet d’études Gartner en novembre 2011, à l’horizon 2015 la moitié des revenus en ligne des entreprises sera générée par les réseaux sociaux. Résultat : des sites centrés sur le Social Shopping, aujourd’hui encore essentiellement américains (comme par exemple Vists.com, Kadoodle.com ou Friendscaravan.com) mettent en avant, outre les caractéristiques des produits qu’ils commercialisent, les fonctionnalités de partage des opinions sur ces produits.

« I like » ou « I want » ?

Les marques ont bien compris l’intérêt d’accompagner leurs consommateurs et développent des stratégies de Social Shopping. Exemple : Gap a organisé un concours incitant ses clients, pour gagner 5 000 dollars, à raconter leurs expériences (« la plus tragique, ou la plus magique… »), avec un lien sur sa page Facebook. « Les marques investissement l’univers du Social Shopping avec des outils ludiques pour faciliter l’adhésion des consommateurs », confirme Christine Balagué, qui perçoit une tendance vers le « I Want », au-delà du simple « I Like ». « Lorsque les consommateurs cliquent sur  « I Like », cela ne signifie pas qu’ils achèteront, avec le « I Want », on va beaucoup plus loin pour créer des listes de produits dont on a envie. »

Encore du chemin à parcourir

Si le Social Shopping apparaît comme une tendance lourde en matière d’habitude et de comportements de consommation, plusieurs facteurs sont susceptibles de freiner son développement. Le premier concerne l’évolution des modes de tracking des comportements. Il devient par définition plus complexe, et les indicateurs clés pour mesurer le retour sur investissement ne sont plus les mêmes qu’avec une approche traditionnelle. « Il faut par exemple savoir mesurer le nombre de « Like » et de « Want », quantifier le nombre de commentaires lus ou encore identifier la structure des listes d’amis », précise la chercheuse. A cela s’ajoute la difficulté technique de croiser les fichiers et de gérer des données complexes non structurées. « Il faut reconcevoir les bases de données, notamment pour l’alimentation en conversations ».

Second frein potentiel : l’analyse des contenus. Il importe ainsi de pouvoir mesurer, analyser et comprendre les informations partagées par les clients, la nature des thèmes échangés, les caractéristiques des comportements des individus et leurs motivations d’achat, notamment pour être capable de proposer des recommandations d’achat personnalisées à partir de l’analyse des échanges entre consommateurs.

Le troisième facteur susceptible de freiner le développement du Social Shopping concerne les données personnelles, en particulier dans certains secteurs (la banque par exemple) où les informations sur les clients sont très riches mais confidentielles. La question délicate des informations personnelles implique, de la part des entreprises, une certaine transparence vis-à-vis des consommateurs sur l’usage de leurs données. « Si nous devenons trop intrusifs, cela se retournera contre nous », confirme le représentant d’un groupe de grande distribution.

Enfin, à plus long terme, le risque de rejet n’est pas négligeable. « On peut parfaitement imaginer qu’émerge un mouvement des « indignés du tout numérique social », avec des contre-usages et un rejet du discours des marques qui devront alors fournir davantage d’efforts pour gérer leur image », estime Christine Balagué. Les statistiques publiées dans le Black Friday Report 2011 par IBM révèlent que les ventes issues des réseaux sociaux, durant le Thanksgiving Day aux Etats-Unis, ont diminué de 10,2 % en un an, avec des baisses significatives pour les ventes générées par Facebook (- 14 %) et Twitter (-36,7 %). Un signe ?

Visionner la présentation :

Téléchargez ici la présentation de Christine Balagué

Améliorer sa compréhension d’un marché en partageant ses données avec d’autres entreprises : c’est l’une des promesses de l’Open Data, un mouvement qui consiste à ouvrir l’accès à des données auparavant privées pour permettre à d’autres entreprises ou au grand public d’en bénéficier. Avec pour objectif, par exemple, de démultiplier les volumes de données susceptibles d’être traitées dans une démarche marketing et prédictive.

Si le secteur public s’avère pionnier dans le domaine, mû par des exigences de plus en plus fortes en termes de transparence, le secteur privé est lui aussi de plus en plus concerné. Dans les entreprises, cette démarche va à l’encontre d’habitudes souvent ancrées de longue date… consistant à garder pour soi toute information susceptible d’avoir de la valeur ! Pourtant, une telle stratégie de l’ouverture peut s’avérer payante, notamment pour le marketing.

Il ne s’agit bien évidemment pas d’apporter toutes ses données sur un plateau à ses concurrents, surtout si elles sont utilisées pour mieux analyser le comportement prévisible des consommateurs sur un marché concurrentiel. Dès lors, l’approche Open Data doit être menée de manière progressive. Dans les faits, les entreprises qui expérimentent l’Open Data déterminent avec soin ce qu’elles souhaitent partager et avec qui, en fonction de leurs objectifs. Concernant les types de données que les entreprises sont prêtes à ouvrir, une enquête menée par le cabinet Bluenove et BVA en 2011 a montré qu’il s’agissait en premier lieu de données environnementales et techniques, mais les données opérationnelles et de marketing ont également été mentionnées par 26 % des répondants. Si ce mouvement d’ouverture des données de nature commerciale devait se poursuivre, on verrait se constituer de formidables nouveaux gisements pour les outils d’analyse prédictive.

Des bénéfices en termes d’innovation et de connaissance du client

Qu’il s’agisse d’ouvrir ses données au grand public ou à des entreprises partenaires, les bénéfices recherchés sont de deux ordres : améliorer la connaissance de ses clients et développer de nouveaux services innovants. Certaines entreprises privilégient une logique de donnant-donnant : elles ouvrent leurs données mais récupérent en échange des données de leurs partenaires, parfois dans un cadre contractuel bien défini. Dans ce cas, l’échange de données apparaît comme une autre façon d’acquérir une information qui s’achète généralement au prix fort auprès d’instituts spécialisés.

Exemple vécu : le groupe Poult, fabricant de biscuits, a partagé ses données de vente et de production avec d’autres entreprises du secteur agro-alimentaire hors de son marché, comme des producteurs laitiers, ainsi qu’avec des partenaires industriels non concurrents. Dans une telle relation, chaque partenaire apporte sa contribution et bénéficie en retour d’un ensemble de données plus riche que ce dont il disposait auparavant : à chacun ensuite d’exploiter toutes ces données pour analyser finement le profil des consommateurs ou l’évolution de leurs attentes.

Confiance et réciprocité, les clés d’une ouverture réussie

Il va de soi qu’un tel modèle n’est pas possible sans confiance ni réciprocité. Le risque de fuite vers les concurrents existe et existera toujours, mais les bénéfices d’une mise en commun de l’information peuvent justifier de le prendre. L’enjeu est bien de mettre en place un écosystème de co-création, où les données fournies par les partenaires aident l’entreprise à identifier de nouveaux gisements de valeur, et réciproquement. La co-création ne peut que booster la qualité de l’analyse prédictive…