(Big) data - Où en sont les entreprises françaises ?
Quelle maturité dans l'exploitation des données clients ?
Les résultats de cette enquête, menée auprès de plus de 150 entreprises françaises, révèlent qu’en dépit d’une perception majoritairement positive, le « Big data bang » n’a pas encore eu lieu dans la réalité.
http://www.ey.com/FR/fr/Services/Advisory/EY-etude-Big-data-2014
Pression économique sur les coûts, vitesse accélérée, nouvelles frontières, fournisseurs moins pertinents… il semble urgent de reconsidérer les activités de la DSI et de faire évoluer son modèle !
"Big Data et objets connectés" Rapport Institut Montaigne - Avril 2015yann le gigan
>>Big Data et objets connectés. Faire de la France un champion de la révolution numérique
[institutmontaigne.org 03.04.15]
La révolution du Big data et des objets connectés crée d’immenses perspectives de création de valeur mais suscite également des interrogations nouvelles sur la protection des droits des individus. Pour renforcer la confiance entre les acteurs et soutenir le développement de modèles économiques innovants, les différentes parties prenantes doivent saisir les opportunités offertes et travailler en confiance.
http://www.institutmontaigne.org/res/files/publications/20150403_rapport%20objets%20connecte%C3%8C%C2%81s%20v8.pdf
Ce livre blanc, qui fait suite au livre noir de JEMS présente les projets pilotes, qui a l'inverse des POC sont une bonne méthode pour mettre en place un projet Big Data.
Pour télécharger le livre blanc, rendez-vous sur www.jems-group.com/livre-blanc-du-big-data. (http://bit.ly/livre-noir-blanc)
[LIVRE BLANC] La transformation numérique du parcours de vieInetum
A l’occasion de la tenue de son 40ème Congrès dont le « fil rouge » est le passage à l’ère du numérique des établissements et services sanitaires, sociaux et médico-sociaux, la FEHAP publie avec Syntec Numérique un livre blanc, « Réussir la transformation numérique du parcours de vie », fruit de plusieurs mois de réflexions communes, de visites d’établissements adhérents à la FEHAP et de rencontres entre acteurs métiers et industriels du numérique en santé.
Gfi Informatique, membres du groupe de travail Silver économie, a participé à la rédaction de ce livre blanc.
Transformation digitale de l'industrie - CCI Bordeaux - 17 09 2014polenumerique33
Conférence "Transformation digitale de l'industrie" organisée par la CCI de Bordeaux le 17 septembre 2014
Le thème du Club Industrie du 17 septembre dernier sur la "Transformation digitale de l'industrie" est le second volet de manifestations organisées par la CCI de Bordeaux sur l’impact des technologies numériques sur le fonctionnement, l'organisation et l'innovation dans les entreprises industrielles.
Le 1er volet a porté sur "L’Industrie connectée : une (r)évolution en marche" avec la vision de l'usine du futur et la transformation des outils de production et processus de fabrication
Le 2ème volet portait sur l'utilisation des outils numériques au profit de l'adéquation offre/besoin client et l'évolution des business modèles associés.
M. Jean-Pierre GERAULT, Président du Comité Richelieu, a donné son point de vue sur ce que le numérique change pour une PME industrielle. Les trois révolutions qui ont marqué l’industrie, en quoi la révolution numérique actuellement en cours est unique : le pouvoir de la multitude, données numériques de masse, modifications du jeu concurrentiel, adaptabilité permanente des modèles économiques,
M. Frédéric SIMOTTEL, Directeur de la Rédaction de 01 Business
La transformation numérique des PME françaises : vers une industrie de services ?
Quel est le niveau d’adoption par les PME industrielles françaises des technologies numériques ? Etat des lieux du numérique dans les PME industrielles, facteurs d’adoptions des outils numériques ? Obstacles ? Quelles leçons en tirer dans les politiques de soutien aux entreprises industrielles en matière de numérique ?
Mme Céline CHOUSSY-BEDOUET, Directeur Marketing Automobile, Ameublement, Textiles Techniques et Matériaux Composites chez Lectra
Comment le numérique est au cœur de leur business ?
Nouvelles offres et nouvelles approches de la relation clients à l’ère du numérique.
Concept Lectra 3.0. Faire évoluer la technologie ou plutôt le Business Model ? Comment Lectra prend appui sur son avance technologique pour faire évoluer son business model, en relation étroite avec ses clients. Développement d’une offre de services (conseils) en complément des produits technologiques. Quelle est la place des outils numériques dans cette évolution.
M. Michel ROBOAM, Directeur de l'ingénierie de production chez Airbus, a présenté les (R)évolutions industrielles : l’usine du futur vue par Airbus, le rôle de la fabrication additive et de l'impression 3D
L’Usine du Futur chez Airbus repose sur les technologies numériques et les nouvelles méthodes de travail en milieu industriel et leur impact sur qualité du produit et la productivité. Quels changements cet environnement numérique induit-il pour les PME et ETI sous-traitantes?
Guide : Gouvernance des données personnelles et analyse d'impactSEKIMIA by O'Service2
La proposition de règlement de la Commission Européenne a des conséquences importantes sur les enjeux de gouvernance des données personnelles au sein des organismes. Ces dernières devront s’adapter à un principe de responsabilité accrue qui se traduit par l’obligation pour un responsable de traitement de rendre des comptes.
Concrètement, cela implique, pour le responsable du traitement, de prendre des mesures efficaces et appropriées afin de se conformer au règlement européen et d’apporter la preuve, sur demande de l’autorité de contrôle, que les mesures nécessaires ont bien été prises.
Il s’agit d’une démarche de renforcement du cadre de la gouvernance d’entreprise où les notions de contrôle interne et de gestion des risques revêtent une place majeure. L’introduction de l’obligation d’une analyse d’impact en est la traduction.
Dans ce contexte, la conduite de l’analyse d’impact se doit :
- d’être intégrée aux processus de gestion des risques des organisations et d’amélioration continue,
- d’être orientée sur les processus des organisations,
- d’être menée le plus tôt possible dans la conception des applications,
- d’être souple et adaptée au niveau de risques identifiés.
A ce jour, de nombreuses zones d’incertitudes subsistent, telle la notion de grande échelle ou de risques particuliers.
Le présent guide présente les réflexions d'un groupe de travail sous l'égide de l'Académie des sciences comptables et financières, auquel j'ai eu le grand honneur de participer. Il sera mis à jour et actualisé au fur et à mesure de l’évolution des textes et de la jurisprudence ainsi que de la confrontation des expériences.
Ce livre blanc, réalisé par une équipe pluridisciplinaire comprenant des délégués aux données personnelles ou CIL des plus grands groupes, des RSSI, des ingénieurs spécialisés, des juristes d’entreprises, des avocats et des commissaires aux comptes, se veut un guide pratique pour :
- comprendre le cadre juridique de l’analyse de risques et de l’analyse d’impact
- comprendre quand une analyse d’impact est obligatoire
- comprendre comment conduire une analyse d’impact
- démontrer par l’exemple le déroulement d’une analyse d’impact
Au-delà du règlement européen, l’analyse de risques et l’analyse d’impact relatives à la protection des données personnelles sont des bonnes pratiques que les entreprises ont intérêt à appliquer pour montrer à leurs écosystèmes le respect qu’elles ont des personnes.
Cci Innovation "Penser, concevoir et fabriquer autrement" - CCI Bordeaux 03/1...polenumerique33
Journée Cci Innovation "Penser, concevoir et fabriquer autrement" organisée par la CCI Bordeaux le 03/12/2014 en Partenariat avec CCI Aquitaine et Inpi
Programme
Table ronde : "Pourquoi et comment fabriquer AUTREMENT ?"
Atelier : "Capter tous les signaux pour créer de la valeur", avec CAPERLAN (Groupe DECATHLON) et NOXIDOXI
Atelier : "Innover et concevoir différemment", avec IMMERSION , EXPLISEAT et AQUINOV
Atelier : "Repenser l'outil de production pour se différencier", avec AIRBUS et VLM
Atelier : "Créer une expérience unique pour chaque client", avec LECTRA et VINCENT SICET
Atelier : "Développer l'agilité de l'entreprise par les hommes", avec ADAMPACK et CAPERLAN
Plus d'information ici http://bit.ly/16vl48L
5e rapport d'étape 34 plans nouvelle france industrielleechangeurba
5e rapport d'étape 34 plans Nouvelle France Industrielle
Le 2 juillet 2014, six nouvelles feuilles de route ont été validées :
e-éducation
Robotique
Big Data
TGV du futur
Véhicule autonome
Chimie verte et biocarburants
Plus d'infos :
http://www.economie.gouv.fr/nouvelle-france-industrielle
Comment démontrer la contribution des innovations BI à la performance de votr...agileDSS
L'innovation BI est devenue au fil des années un facteur incontournable de performance et un important levier de transformation organisationnelle. Malgré cela, les commanditaires peinent à mettre en relation leurs investissements avec les résultats obtenus. Faute de visibilité, ceux-ci s'interrogent encore sur l'utilisation des budgets alloués et hésitent à engager de nouveaux investissements.
Cette présentation apporte des réponses concrètes aux directions BI afin de les aider à :
- Sensibiliser la haute direction au potentiel de l'intelligence d'affaires,
- Mettre en place des indicateurs pour communiquer la valeur de leurs solutions,
- Hiérarchiser et sélectionner les innovations en fonction de leurs impacts d'affaires,
- Développer un dialogue constructif avec les directions de lignes d'affaires pour concevoir un roadmap BI alignée sur les objectifs stratégiques de leur entreprise.
(Big) Data Marketing : le futur se prépare aujourd'hui !
L’exploitation des Big Data est souvent abordée par le prisme de la technologie : la mise en place d’outils fait espérer de nouveaux usages.
Notre approche est inverse : nous mettons les clients au centre du jeu pour identifier les scénarios d’usages qui sont à déployer et la façon la plus efficace de le faire.
Téléchargez cette fiche produit pour en savoir plus/
El sabueso de los baskerville; arthur conan doylea2garriido
Este capítulo resume la información clave de los últimos acontecimientos en la mansión Baskerville. Barrymore confiesa que ha estado ayudando a su cuñado, el fugitivo Selden, proporcionándole comida. También revela que Sir Charles tenía una cita romántica la noche que murió, según una carta quemada con las iniciales L.L., que corresponden a Laura Lyons, hija de un vecino e involucrada románticamente con Sir Charles. Watson descubre esto al hablar con el doctor Mortimer.
Guía de la buena esposa - Atividade de espanhol: Imperativo AfirmativoGrether Sosa Carballo
Este documento habla sobre el imperativo afirmativo, una forma verbal que se usa para dar recomendaciones, consejos y órdenes. Explica que los verbos en imperativo afirmativo se subrayarán en la guía y que la guía creará instrucciones para tener una buena relación de pareja, incluyendo un enlace a una guía didáctica online sobre la actividad.
El documento describe varias teorías sobre el origen del universo, incluyendo la teoría del Big Bang que propone que el universo surgió de una gran explosión, la teoría inflacionaria que sugiere que la expansión del universo se aceleró brevemente, la teoría del estado estacionario que argumenta que el universo mantiene una densidad constante a través de la creación continua de materia durante la expansión, y la teoría del universo pulsante que plantea que el universo experimentará contracción en el futuro luego de expand
Este documento resume el ensayo de Francis Fukuyama sobre "El Fin de la Historia". Fukuyama argumenta que luego del colapso de la Unión Soviética y el triunfo del liberalismo económico y político occidental, se ha alcanzado el "fin de la historia" en el sentido de que ya no habrá progreso ideológico mayor. Tomó esta idea de Hegel y Kojève, quienes sostenían que la historia culmina con el establecimiento universal de la democracia liberal. Fukuyama cree que aunque la victoria
Vocabulario en castellano sobre la Prehistoria. Cuenta con ilustraciones y texto en mayúsculas y letra minúscula enlazada. Para imprimir y recortar por la mitad y hacer un libro para la biblioteca de aula.
El caracol es un molusco hermafrodita que vive dentro de una concha en forma de media luna y se alimenta de vegetales. Se reproduce mediante la fecundación cruzada y pone entre 40 y 120 huevos. La concha le sirve de protección y pulmón, representando un tercio de su peso. El caracol se ha consumido desde la prehistoria y actualmente se usa en la alimentación y cosméticos debido a las propiedades regeneradoras de su baba.
This document summarizes several traditional Philippine costumes and dances that reflect the country's diverse cultural traditions:
1) Philippine costumes represent the cultural influences of early Filipinos, Spanish colonizers, Chinese immigrants, and Muslims. Traditional ensembles include the barong tagalog worn by Filipino men and dresses like the Maria Clara and baro't saya.
2) Philippine folk dances mirror the traditions of different ethnic groups. Cordillera dances like Tinikling and Singkil originated from rice terraces communities and Muslim cultures of Mindanao. Tribal dances feature costumes and customs of groups like the Kalinga, B'laan and Bukidnon.
3) These traditional costumes and dances
La prehistoria abarca desde la aparición del primer ser humano hasta la invención de la escritura hace aproximadamente 5 millones de años. Se divide en la Edad de Piedra y la Edad de los Metales. La Edad de Piedra incluye el Paleolítico, cuando los humanos cazaban, recolectaban y vivían en cuevas, y el Neolítico, cuando se volvieron sedentarios, desarrollaron la agricultura y la ganadería y vivían en aldeas. La Edad de los Metales comenzó con el descubrimiento
El documento resume cómo vivían los humanos en la prehistoria comparándolo con la vida moderna. Los humanos prehistóricos vivían en cuevas y chozas, usaban herramientas de piedra, vasos de cerámica y se desplazaban caminando. Para alimentarse tenían que cazar, pescar y recolectar. Decoraban las paredes de sus cuevas con pinturas rupestres.
Dix ans à peine, une famille à charge...déjà.
Sam s'occupe de son frère Barney, 9 ans et de sa soeur Virginie, 7 ans, délaissés par une mère pas très... maternelle.
Ils évoluent dans un univers d'adultes, aux valeurs en total délitement et peu enclins à porter secours à des enfants en détresse.
Ils s'organisent donc, s'entraident et se soutiennent, pour faire face aux agressions, aux horreurs de ce monde terrifiant, et plus simplement au quotidien.
Combat de chaque jour, chaque instant, pour tenter de survivre.
Roman de l'auteur Cetro, en vente aux formats numériques et papier sur toutes les plateformes Amazon.
Ines Aguerrondo - Hackeando la Educación - Encuentros CiGobFundación CiGob
Ines Aguerrondo, especialista en educación, se presentó en el Ciclo de Encuentros de CiGob. El tema fue "Hackeando la educación: hacia un cambio de paradigma en los sistemas educativos". También se presentó Fundación Éforo, que mostraron el programa "Escuela de Vecinos"
Gouvernance des données : le potentiel DATA au service de votre business !
La gouvernance des données devient aujourd’hui une priorité stratégique pour beaucoup d’entreprises… Mais quels sont concrètement les facteurs-clés de succès, les impacts de sa mise en œuvre et la création de valeur espérée ?
Les entreprises ont pour la plupart largement initié leur mue digitale. Cette transformation majeure fut, comme toutes les grandes mutations, dans un premier temps sous-estimée, faute de valorisation concrète des bénéfices. Cette situation semble se reproduire aujourd’hui avec la gouvernance data.
Pourtant, à l’heure de l’industrialisation des projets Big Data et du stockage des données tous azimuts, il devient fondamental de s’interroger sur la véritable création de valeur générée par la collecte, l’usage et la gouvernance de toutes ces données.
Alors au-delà de cette promesse, qu’entend-on par gouvernance des données ? Quelles sont les données à collecter ? Les outils à utiliser ? Les bénéfices concrets ? Quels sont les freins à sa mise en œuvre ? Quelles sont les dimensions prioritaires ? Quelle méthodologie adopter ? Quelles missions pour le Chief Data Officer ?
White paper Big data - les bénéfices d'une vision stratégiquepanoratio
Avec le déploiement massif des nouvelles technologies mobiles et des réseaux sociaux, les sources de données concernant l’activité des organisations, de leurs clients et de leurs collaborateurs, ne cessent de croître : pour autant, peu d’entreprises sont aujourd’hui capables de suivre rapidement l’ensemble des mouvements que représentent toutes ces données.
La gestion des grands volumes de données ou “Big Data” ouvre de nouvelles perspectives en terme de vitesse de traitement de volumes importants de données variées, qui d’une part ont un impact direct sur la gestion du pilotage opérationnel des organisations et d’autre part demeurent complexes à mettre en oeuvre.
L’apport essentiel de Panoratio est de permettre aux organisations d’appréhender la dimension stratégique des Big Data pour servir les enjeux prioritaires des organisations avant la mise en place de dispositifs de pilotage opérationnels optimisés.
Pour voir ce qu’en pensent les entreprises françaises, KELEY Data, filiale spécialisée dans le traitement de la data du Groupe KELEY a mené une enquête auprès d’une quarantaine de responsables (directeurs exécutifs, services data, juridiques…) au cours des mois de novembre et décembre 2017.
Dossier presse chaire-big-data-market-insightsTélécom Paris
TÉLÉCOM PARISTECH CRÉE SA CHAIRE DE RECHERCHE
“BIG DATA & MARKET INSIGHTS”,
EN PARTENARIAT AVEC TÉLÉCOM ÉCOLE DE MANAGEMENT ET AVEC LE SOUTIEN DE DELOITTE, DU GROUPE YVES ROCHER ET DE VOYAGES-SNCF.COM
Formation M2i - Placer la Data au cœur de la stratégie de l'entrepriseM2i Formation
La Data est omniprésente, mais cette richesse potentielle pour une entreprise ne peut délivrer de la valeur et s'activer opérationnellement qu'à certaines conditions.
Programme de la formation :
Les enjeux de la Data au cœur de sa stratégie d'entreprise
- L'importance de définir une ambition Data pour l'entreprise
- Dessiner une feuille de route : pourquoi, comment, et avec quel niveau d'investissement ?
- Les 8 dimensions clés d'un projet ou d'une transformation Data (organisation, usages, technologie, RH et compétences, réglementaire…)
Les données et la valeur des données
- Les différents types de données, et la richesse des données non structurées (texte, images, vidéos…)
- L'importance de la gouvernance des données et comment réussir à la développer dans l'entreprise ?
- La valeur des données tient dans ses usages : cas d'applications multi-sectoriels avec l'IA comme accélérateur de performance
- Les différents modèles de valorisation et de monétisation
L'organisation pour le succès des projets Data
- Les principaux schémas d'organisation Data
- Equipes, compétences RH (hard et soft skills) et mode de fonctionnement pour le succès des projets Data
Formation animée par François Le Corre
Etude enjeux data des décideurs francais - iProspect - Les Echos Medias - 2016Romain Fonnier
Les Echosmédias s’est associé avec iProspect pour interroger 600 décideurs sur leurs projets data, leurs craintes et leurs ambitions dans ce domaine, et dévoile aujourd’hui les résultats de cette étude « Enjeux Data des décideurs français ».
Ces décideurs, représentant aussi bien des grands groupes que des TPE/PME, confirment que la data est une réelle préoccupation : 88% d’entre eux déclarent en effet s’y intéresser. 66% ont par ailleurs prévu d’intégrer la data dans leur stratégie marketing dans les 18 prochains mois. Avec un CRM déjà mis en place pour 65% des répondants, ils ont l’ambition d’aller plus loin : 54% ont l’intention de déployer une DMP. Ils avouent en revanche qu’il est difficile d’identifier les meilleurs partenaires techniques (85%) et plus d’1/3 des répondants auraient besoin d’un accompagnement business et organisationnel en plus du soutien technologique.
http://www.lesechosmedias.fr/actualites/data-ce-quen-pensent-les-decision-makers/?utm_source=siteladn&utm_medium=paveexpand&utm_campaign=etudedata
Enjeux data decideurs francais par iProspect et Les EchosmédiasiProspect France
85% des décideurs français pensent qu’un partenaire data devrait pouvoir s’impliquer dans l’atteinte des résultats business de leur entreprise.
Et vous ?
iProspect et Les Echosmédias présentent les résultats de l’étude « Enjeux Data des Décideurs Français »
Big data, smart data, data management… Quelle que soit leur dénomination, les données sont partout présentées comme le graal des directions marketing. Mais où en sont exactement les entreprises françaises dans leurs projets data ? Quelles sont leurs craintes, leurs ambitions ?
iProspect et Les Echosmédias ont décidé de laisser la parole aux principaux intéressés, les décideurs, en donnant le coup d’envoi d’une grande consultation Enjeux data 2015/2016. Plus de 600 décideurs se sont ainsi exprimés, représentant aussi bien des grands groupes que des TPE/PME et issus de plus 12 secteurs d’activité différents.
Le Big Data et les analytics : quels enjeux pour le marketing BtoBSparklane
Retour sur le Forum Big Data organisé par Zebaz Smart Data, le 4 juin dernier dans un lieu de prestige.
Au cours de cette matinée de conférences, cinq experts se sont succédés à la tribune. Compte rendu de l’intervention de Nicolas Terrasse (SAS Institute), consacrée aux enjeux et perspectives offertes par le Big Data et les Analytics pour le Marketing B2B.
1. Quelques notions clés à propos du Big Data
2. Pas de Big Data sans Analytique
3. Quelques illustrations B to B du Big Data
Conclusion
Cette étude met en lumière sept métiers, qui placent les données au cœur de leur activité, qu'il s'agisse de leur collecte et de leur stockage, de leur traitement et de leur modélisation ou encore de leur protection.
La révolution numérique a fait rentrer nombre d’entreprises dans l’ère du big data.
Les entreprises ont besoin de mobiliser des compétences spécifiques pour tirer profit au mieux des données.
Soft Computing & IBM : Digital, Big Data & DMPSoft Computing
Soft Computing et IBM partagent leurs retours d'expériences.
La digitalisation bouleverse toutes les facettes de la relation client. Le marketing digital n'existe plus, c'est l'ensemble du marketing qui est passé à l'ère du digital. Tout est devenu générateur de données, mais comment les valoriser ?
Les frontières entre marketing services, données, design, publicité, social, web et mobile s'estompent au fur et à mesure que la technologie évolue pour simplifier les interactions entre disciplines.
S'appuyant notamment sur diverses solutions avancées en matière de Big Data & Analytics, le large panorama de l'offre d'IBM vous sera replacé dans le contexte des besoins du marketing client et produit.
Soft Computing partagera avec vous des cas d'usages métiers en partant du CRM multi canal confronté aux nouveaux parcours, puis en intégrant les nouveaux médias et les Big Data.
Enfin, pour répondre aux nouveaux enjeux marketing sans tomber dans les difficultés de mise en œuvre de projets complexes et couteux, Soft Computing vous présentera le dispositif « Soft Computing Marketing Ready » tel que mis en œuvre notamment pour de grandes enseignes de la distribution alimentaire. Il comprend à la fois des outils informatiques et des prestations de services, qui couvrent l'ensemble des fonctions marketing de manière intégrée : connaissance client, campagnes marketing, fidélité, promotions, référentiel client, qualité des données, moteur de recommandations, référencement web, veille et animation sociale, enquêtes, reporting marketing, datasharing et data onboarding.
Guide pratique de sensibilisation au RGPD pour les TPE&PMEpolenumerique33
BPI France et la CNIL se sont associées pour aider les PME de se mettre en conformité avec le nouveau règlement européen relatif à la protection des données personnelles.
Découvrez le "Guide pratique de sensibilisation au RGPD pour les petites et moyennes entreprises"
Les influenceurs, acteurs de l'e-réputation des entreprises -2polenumerique33
Présentation de Camille In Bordeaux à la CCI Bordeaux Gironde sur le thème "Influenceurs, acteurs de la e-réputation des entreprises" - Chai numérique (secteur vin)
Les influenceurs, acteurs de l'e-réputation des entreprises -1polenumerique33
Les avis transforment en profondeur la relation client, influent sur l’acte d’achat et sur la notoriété de l'entreprise.
Découvrez le rôle des influenceurs, réels acteurs de la e- reputation et les règles de bonnes pratiques pour adapter votre communication en les mettant au cœur de votre stratégie.
Avec l'intervention des blogueuses @CamilleinBordeaux et @joelle_Dubois. Organisé par le Pôle Numérique de la CCI et le Club Best Of Wine Tourism
Les avis de consommateurs transforment en profondeur la relation client et influent sur l’acte d’achat. Découvrez les risques, opportunités de cette réalité et adaptez votre communication en mettant la recommandation au cœur de votre stratégie.
Atelier Pôle Numérique CCI Bordeaux Gironde à Bruges
Linked In et Twitter, duo gagnant de la communication B2Bpolenumerique33
Découvrez le lien entre ces deux réseaux sociaux incontournables pour améliorer votre visibilité et développer vos business, en accord avec vos objectifs et votre stratégie d’entreprise. Par le Pôle Numérique de la CCI et Digitall Conseil
ADEME TPE PME gagnantes sur tous les coûts - codes naf + critères éligibilitépolenumerique33
ADEME dispositif " TPE PME gagnantes sur tous les coûts" - codes naf + critères éligibilité. Plus de détail et inscription ici http://bit.ly/2E2vgLI
Les critères d’éligibilité sont les suivants :
Etablissements privés sur le territoire français
Effectif global moyen 2016 de l’établissement compris entre 0 et 250 salariés
Secteurs d’activité : L’accompagnement s’adresse à des établissements dont l’activité principale nécessite la transformation, le stockage et la manutention, la réparation ou la vente d’un flux matériel important avec une consommation d’énergie significative.
Les principaux secteurs visés sont :
L’industrie de transformation
Le commerce de gros et de détail de produits périssables (alimentaires, plantes, bricolage…)
La restauration
Les métiers de l’artisanat qui transforment de la matière et consomment de l’énergie.
Liste détaillées des NAF éligibles / non éligibles dans le document
80% des entreprises peuvent économiser plus de 180€ par an et par salarié en optimisant leurs flux matières, énergie, eau & déchets : Pourquoi pas vous ?
Plus de détail et inscription ici http://bit.ly/2E2vgLI
Animation d'une journée consacrée aux commerçants et artisans de Gironde, CCI Bordeaux Gironde et CMAI33 sur les bases de la présence en ligne et de l'aide à la vente par le numérique.
Linkedin, Twitter : le duo gagnant de votre visibilité BtoBpolenumerique33
Découvrez le lien entre ces deux réseaux sociaux incontournables pour améliorer votre visibilité et développer vos business, en accord avec vos objectifs et votre stratégie d’entreprise.
Programme Compétitivité énergétique Région Nouvelle Aquitaine - Club Industri...polenumerique33
Présentation "programme Compétitivité énergétique "de la Région Nouvelle Aquitaine - Club Industrie Performance Energetique et Hydrique - 23 11 2017 - CCI Bordeaux Gironde
Cci Aquitaine Programme d'actions 2018-2020 transition énergétique et écologi...polenumerique33
Cci Aquitaine Programme d'actions 2018-2020 transition énergétique et écologique un facteur de performance - Club Industrie Performance Energetique et Hydrique - 23 11 2017 - CCI Bordeaux Gironde
Linkedin, Twitter : le duo gagnant de votre visibilité BtoB polenumerique33
Découvrez le lien entre ces deux réseaux sociaux incontournables pour améliorer votre visibilité et développer vos business, en accord avec vos objectifs et votre stratégie d’entreprise !
Atelier animé par le Pôle numérique de la CCI Bordeaux Gironde et Aquitem .
Aquassay - Club Industrie Performance Energetique et Hydrique - 23 11 2017polenumerique33
CCI Bordeaux Gironde - Club Industrie "Performance Énergétique et Hydrique" - 23 11 2017 2e temps fort : "Equipements connectés et analyse des données au service de l'intelligence opérationnelle" - Intervention de Jean-Emmanuel Gilbert (Aquassay)
Lycée Horticole Farzanis de Tonneins - projet SOLAH - Club Industrie "Perform...polenumerique33
CCI Bordeaux Gironde - Club Industrie "Performance Énergétique et Hydrique" - 23 11 2017 2e temps fort : "Equipements connectés et analyse des données au service de l'intelligence opérationnelle" - Intervention de Serge Fort (Lycée Horticole Farzanis de Tonneins) projet SOLAH
Worldcast systems - Club Industrie "Performance Énergétique et Hydrique" - 23...polenumerique33
CCI Bordeaux Gironde - Club Industrie "Performance Énergétique et Hydrique" - 23 11 2017 2e temps fort : "Equipements connectés et analyse des données au service de l'intelligence opérationnelle" - Intervention de M. Chomat Worldcast systems
Tutoriel interactif d’ingénierie rapide d’Anthropic.pdfErol GIRAUDY
Le tutoriel interactif d’ingénierie rapide d’Anthropic. Ce cours est destiné à vous fournir une compréhension complète, étape par étape, de la façon de concevoir des invites optimales dans Claude.
Après avoir terminé ce cours, vous serez en mesure de :
Maîtriser la structure de base d’une bonne invite
Reconnaître les modes de défaillance courants et apprendre les techniques « 80/20 » pour y remédier
Comprendre les forces et les faiblesses de Claude
Créez des invites puissantes à partir de zéro pour les cas d’utilisation courants
Ce tutoriel existe également sur Google Sheets en utilisant l’extension Claude for Sheets d’Anthropic. Nous vous recommandons d’utiliser cette version car elle est plus conviviale.
Lorsque vous êtes prêt à commencer, allez à pour continuer.01_Basic Prompt Structure
Vision de Claude 3.5 SONNET Comment utiliser la vision Utilisez les capacités...Erol GIRAUDY
Vision de Claude 3.5 SONNET
La famille de modèles Claude 3 est dotée de nouvelles capacités de vision qui permettent à Claude de comprendre et d’analyser des images, ouvrant ainsi des possibilités passionnantes pour l’interaction multimodale.
https://www.ugaia.eu/2024/07/claude-35.html
Ce guide décrit comment utiliser des images dans Claude, y compris les meilleures pratiques, les exemples de code et les limitations à garder à l’esprit.
Comment utiliser la vision
Utilisez les capacités de vision de Claude via :
• claude.ai. Téléchargez une image comme vous le feriez pour un fichier, ou faites glisser et déposez une image directement dans la fenêtre de discussion.
• L’établi de la console. Si vous sélectionnez un modèle qui accepte les images (modèles Claude 3 uniquement), un bouton pour ajouter des images apparaît en haut à droite de chaque bloc de message Utilisateur.
Demande d’API. Voir les exemples dans ce guide.
CLAUDE 3.5 SONNET EXPLICATIONS sur les usagesErol GIRAUDY
Présentation de Claude 3.5 Sonnet
La famille de modèles Claude 3 est dotée de nouvelles capacités de vision qui permettent à Claude de comprendre et d’analyser des images, ouvrant ainsi des possibilités passionnantes pour l’interaction multimodale.
Les artefacts : une nouvelle façon d’utiliser Claude
voir aussi sur mon blog :
www.ugaia.eu
Ansible, Terraform, CloudFormation, [insert your favorite tech here]… Les solutions d’infra-as-code sont pléthores. Alors, pourquoi parler du dernier rejeton à la mode porté par le CNCF ? Allez, spoilons un peu l'affaire ! Bâti sur Kubernetes, Crossplane permet lui de faire converger le delivery d’une app containerisée avec toutes les autres ressources requises hors de votre cluster K8S préféré, et dont elle aura toutefois grand besoin pour fonctionner correctement : un bucket S3, une base de donnée managée, etc.. Vous orchestrez ainsi le cycle de vie de votre application complète avec une seule et même perspective. Ajoutez à cela un multicloud facilité, ou encore une vrai capacité à s’inscrire dans une démarche GitOps, et vous obtenez là une solution très efficace pour organiser vos prochains déploiements !
Retrouvez toute la communauté Liferay francophone pour un meetup virtuel (100% remote) pendant la pause déjeuner du jeudi 4 juillet.
Ce meetup sera l'occasion de vous présenter 5 sujets auxquels consacrer un peu de veille technique entre deux siestes sur la plage cet été.
Pour chaque sujet on vous fait un petit résumé, on en discute ensemble et bien sur on vous donne tous les pointeurs utiles pour vous occuper un peu les jours de pluie cet été (rares bien entendu).
Au programme : HTMX, Alpine.js, animation.css, N8N, Sentry, GlitchTip
Et bien sur les traditionnels échanges libres ne seront pas oubliés !
Ey étude (Big) data - Où en sont les entreprises françaises ?
1. (Big) data : où en sont
les entreprises françaises ?
Quelle maturité dans l'exploitation des données clients ?
2. Avant-propos
(Big) data : difficile d’échapper à cette déferlante depuis quelques années et, avec elle,
au flot de théories, analyses et commentaires sur ses promesses en termes d’efficacité,
de performance et d’opportunités de développement de nouvelles offres et services ciblés.
Si tout le monde semble s’être emparé du sujet, des plus sceptiques, qui y voient une nouvelle
bulle prête à faire « pschitt », à ceux pour qui il s’agit d’un véritable big bang — du même ordre
que les précédentes révolutions industrielles — force est de constater qu’à ce jour, la révolution
Big data ne s’est guère propagée au-delà des modèles économiques des grands acteurs
globaux du digital.
Les résultats de cette enquête, menée auprès de plus de 150 entreprises françaises, révèlent
qu’en dépit d’une perception majoritairement positive, le « Big data bang » n’a pas encore
eu lieu dans la réalité. C’est ce que nous enseigne le passage au scanner de notre Indice
EY de Maturité Data, spécialement conçu dans le cadre de cette étude : seule une minorité
d’entreprises peut se targuer d’une maturité élevée dans son exploitation de la data, tandis que
la majorité adopte une posture attentiste, sans véritablement savoir par quel bout prendre un
concept devenu flou.
Si ce retard s’explique par dix principaux freins d’ordre psychologique, stratégique,
organisationnel ou technologique, que nous avons identifiés tout au long de la chaîne de valeur
de l’exploitation (Big) data — de la collecte à la sécurité et la protection des données,
en passant par l’analyse et la stratégie globale de l’entreprise — il peut toutefois être rattrapé
si l’exploitation (Big) data est intégrée dans une stratégie et une vision globales.
En effet, l'exploitation (Big) data n'est pas tant un problème technique qu'un sujet de
transformation des organisations et de leurs modèles économiques. Elle relève de la capacité à
convertir la data en connaissances, en innovation et en valeur pour les organisations.
Bruno Perrin
Associé
Ernst & Young et Associés
Responsable du secteur
Technologies, Médias, Télécoms
(Big) data : où en sont les entreprises françaises ?
David Naïm
Associé
Ernst & Young Advisory
Responsable du pôle
Stratégie, Marketing et Innovation
3. Quelle maturité dans l'exploitation des données clients ? | 3
Sommaire
Quelques enjeux chiffrés de la (Big) data 4
I/ Les entreprises françaises à l'épreuve de l'Indice EY de Maturité Data 6
Exploitation de la data : quelle maturité pour les entreprises françaises ? 7
Palmarès des secteurs les plus matures 8
II/ Exploitation de la (Big) data : 10 freins identifiés 12
La collecte de données clients encore sous-exploitée 13
Le traitement et l'analyse des données clients : des capacités inadaptées 15
La data non perçue comme un support aux décisions stratégiques 22
Vie privée et sécurité : des enjeux encore sous-estimés 24
III/ Déployer une stratégie (Big) data efficace : les leviers d'action 26
La révolution (Big) data n’a pas encore eu lieu 27
Stratégie (Big) data : deux approches coexistent actuellement 29
Facteurs clés de succès du déploiement d’une stratégie (Big) data 30
Exploitation (Big) data : des freins aux leviers d'action 34
Études de cas 36
Note méthodologique 42
Abréviations 42
4. Quelques enjeux chiffrés de la (Big) data
FREIN 1
Collecte de la data Analyse de la data
Données non structurées, le maillon faible
FREIN 9
Protection et sécurisation de la data
30 %
des entreprises ne se sentent pas
concernées par les enjeux de vie
privée (privacy)
70 %
des consommateurs
sont réticents à partager
leurs données personnelles
59 %
des entreprises6 estiment
que les menaces externes
sur les Systèmes d'information
sont en hausse
Transversalité et implication de la direction générale : des impératifs
tout au long du cycle de la data
Big data
45 %2
des entreprises
collectent des données
texte non structurées3
45 %
des entreprises estiment
leurs données clients insuffisamment
analysées/exploitées
Limitée aux canaux traditionnels
Triple enjeu de confiance, de fiabilité et de réputation
FREIN 7
FREIN 10
FREIN 8
FREIN 2
43 %
des entreprises ont étudié
l'opportunité Big data
18 %
des entreprises ont des plans d'action
Big data en cours de déploiement
4 | (Big) data : où en sont les entreprises françaises ?
FREIN 6
5. Indice EY de Maturité Data1
17 %
d'entreprises « très matures »
dans l'exploitation des données clients
FREIN 3 FREIN 4
Traitement et exploitation de la data
Manque de compétences analytiques Carence des outils de traitement
moins de 10
profils data5
par entreprise
des données non structurées
27 %
des entreprises ont mis en place des outils/
process pour fiabiliser/exploiter
les données non structurées
ROI des projets data Utilisation de la data
L'absence de mesure du ROI peine
à déclencher les investissements
58 %
des entreprises n'ont pas cherché
à quantifier le ROI des investissements
Big data
Analyse de la data (trop) peu orientée
vers le temps réel et le prédictif
10 %
des entreprises font
de l'analyse prédictive
1 Cf. note méthodologique p.42
2 Ce pourcentage monte à 79 % si on in tègre les données issues des images ou vidéos et à 84 % si on in tègre les données sonores (enregistrements vocaux, musique, etc.)
3 Données non structurées : informations et contenus en provenance des emails, SMS, logs, avis clients, réseaux sociaux, vidéos, etc.
4 Data miner, data manager, data scientist, etc.
5 Pour 70 % de notre panel d'entreprises (cf. note méthodologique p.42)
6 Entreprises interrogées dans l'étude EY mondiale "Under cyber Attack - EY's Global Information Security Survey 2013"
Source : EY
| 5
FREIN 6 FREIN 5
Quelle maturité dans l'exploitation des données clients ?
6. I/ Les entreprises françaises à l'épreuve
de l'Indice EY de Maturité Data
6 | (Big) data : où en sont les entreprises françaises ?
7. Après la compétition entre les réseaux (Télécoms
et Technologies) et les contenus (Médias), la bataille
s'articule désormais autour de la data et s'étend à
l'ensemble des détenteurs de données (publiques
ou privées).
Bruno Perrin
Associé - Ernst & Young et Associés - Responsable du secteur Technologies, Médias, Télécoms
Exploitation de la data :
quelle maturité pour les entreprises françaises ?
Indice EY de Maturité Data des entreprises Parmi les entreprises « très matures »
Grande
consommation
et distribution
Quelle maturité dans l'exploitation des données clients ? | 7
Afin de mesurer l’avancement des entreprises en matière
d’exploitation de leurs données clients, EY a construit l’Indice
de Maturité Data. • En savoir plus p. 42
Cet indice agrège des comportements et faits constatés
auprès des entreprises interrogées, et non leurs déclarations
d'intention. Le passage au révélateur de cet indice de
maturité établit un fort décalage entre le « buzz » que génère
le concept flou du Big data et la réalité de la maturité des
grandes entreprises.
Certes, les entreprises françaises utilisent bien la data pour
mesurer et comprendre leur activité et l’environnement
dans lequel elles évoluent, mais cette exploitation de la
data est encore loin d’être systématique en ce qui concerne
l’analyse fine des comportements de leurs consommateurs
et les corrélations sous-jacentes, et encore moins en matière
d’anticipation et de prédiction.
L’Indice EY de Maturité Data a révélé que les entreprises les
plus matures en matière d’exploitation des données clients se
distinguent par les critères suivants :
• Anticipation des enjeux stratégiques liés à une meilleure
utilisation des données internes et externes ;
• Diversité des données collectées et des canaux de collecte
• Constitution d’équipes de data scientists et autres experts
data :
• Adoption de nouvelles technologies d’exploitation de la
data ;
• Prise en compte des enjeux de protection de la vie privée
et des données à caractère personnel (privacy) dans
l’exploitation des données clients ;
• Anticipation du risque réputationnel.
17 %
27 %
56 %
Peu matures
Très matures
Non matures
TMT*
Transports
Autres
secteurs
9 %
20 %
29 %
42 %
* Technologies, Médias, Télécoms
8. Palmarès des secteurs les plus matures
Les deux secteurs les plus matures dans l’exploitation de la data sont les TMT (Technologies,
Médias, Télécoms) ainsi que celui de la distribution et des produits de grande consommation.
Un résultat guère surprenant dans des industries où la data est le pilier historique de la
connaissance client et des stratégies de segmentation marketing associées.
Secteur des TMT
Le secteur des TMT est caractérisé par la quantité
colossale (amplifiée avec l’Internet des objets/
objets connectés) de data disponibles dans les
systèmes d’information.
• Collecte des données
En matière de remontée des données issues des
réseaux sociaux ou de l’open data, les TMT sont en
deuxième position derrière la grande distribution.
Elles représentent le tiers des entreprises du panel
collectant des données sociales et le quart de
celles ayant recours à l’open data.
8 | (Big) data : où en sont les entreprises françaises ?
• Stratégie (Big) data
Pour les entreprises de réseaux notamment,
l’exploitation de la data permet une optimisation
inédite du business (possibilité de prévenir les
défaillances réseaux, interruptions de services,
résiliations d’abonnement…), le développement
de « services intelligents » et la valorisation de
données auprès de tiers. Sur ce dernier point, à
titre d’exemple, les trois plus grands opérateurs
de télécoms de Grande-Bretagne ont constitué
une société commune, Weve, pour vendre à
des annonceurs les données (anonymisées)
de leurs clients (données d’achat, données de
géolocalisation, données Internet…).
9. Quelle maturité dans l'exploitation des données clients ? | 9
Dans les médias, les modèles analytiques à visée prédictive
sont déjà largement utilisés. Les recommandations de sites
d’achats de biens et services culturels en ligne, tels que Netflix
ou Amazon, reposent sur des modèles capables de prévoir ce
qu’un individu serait en mesure d’apprécier au regard de ses
achats antérieurs, mais aussi d’achats similaires effectués par
d’autres consommateurs, afin de lui proposer des produits en
conséquence. Ces sites sont emblématiques de la capacité à
formuler des recommandations pertinentes à des audiences/
cibles potentielles sur la base d’une analyse poussée de la
data.
• Protection et sécurité
Les TMT sont au même niveau de maturité que la grande
distribution pour la mise place des process internes de
fiabilisation des données non structurées, soit le tiers des
entreprises concernées. Les TMT constituent la deuxième
industrie la plus mature en termes de sensibilisation aux
aspects de privacy.
Secteur de la distribution et des produits de
grande consommation
Dans le secteur de la grande distribution, l’exploitation
(Big) data répond à trois enjeux opérationnels majeurs : la
relation d’engagement avec le client final, la performance
opérationnelle et la qualité et la cohérence des données
remontées par l’ensemble des entités du groupe (franchises et
autres filiales).
• Collecte des données
Les entreprises du secteur de la grande distribution sont
celles qui remontent davantage de données des réseaux
sociaux (plus du tiers des entreprises concernées), éléments
clés pour connaître les parcours clients.
• Outils et ressources
C’est dans la grande distribution que les ressources humaines
et informatiques (logiciels statistiques, solutions de
visualisation) dédiées à l’analyse des données sont les plus
nombreuses. La moitié des entreprises du panel EY déclarant
avoir recruté des experts data (data manager, data miner ou
data scientist) appartient au secteur de la grande distribution.
• Stratégie (Big) data
« L’amélioration de la performance commerciale » est la
première raison invoquée par les entreprises du secteur, suivie
de très près par « l'amélioration de la connaissance client ».
En effet, la data est précieuse pour nouer une relation
d’engagement avec le client final, être en mesure de multiplier
les points de contact et les occasions de recommandation tout
au long de son parcours multi/cross-canal. Cela permet de lui
soumettre la bonne offre, au bon moment et au bon endroit
(géolocalisation) et, au-delà, élaborer des modèles prédictifs
qui visent à garder une longueur d’avance. C’est d’ailleurs la
première attente relative à la mise en place d’une stratégie
(Big) data dans le secteur de la distribution et des produits de
grande consommation.
• Protection et sécurité
La grande distribution est le secteur le plus mature en
termes de mise en place des process internes de fiabilisation
des données non structurées, soit le tiers des entreprises
concernées. C’est aussi l’industrie où la sensibilisation aux
aspects de privacy est la plus affirmée : une entreprise
sur trois considérant qu’il existe des enjeux de vie privée
dans l’exploitation de la data appartient au secteur de la
distribution et des produits de grande consommation.
10. Exploitation de la (Big) data : des opportunités
à saisir pour tous les secteurs d'activité
Avec la constitution de communautés où le partage
de données s'organise, le comportement du voyageur
— qui a aujourd'hui un mode de consommation nomade
et mobile — est désormais tracé en temps réel pour lui
permettre de trouver le service répondant à ses besoins
à l'endroit où il se trouve grâce à une analyse prédictive
de ses déplacements.
Christine Vitrac
Associée - Ernst & Young et Associés - Responsable du secteur Transport en France
10 |
(Big) data : où en sont les entreprises françaises ?
Le Big data est le nouveau carburant de la voiture
connectée, et demain autonome, qu’il s’agisse de son
insertion dans un système de mobilité intermodal, de
services facturés à l’usage (ex. : assurance), de la
surveillance de son fonctionnement en continu ou du
renforcement de la relation directe entre constructeurs
et utilisateurs.
Jean-François Bélorgey
Associé - Ernst & Young et Associés - Responsable du secteur Automobile en France
Secteur des transports
Secteur de la distribution et des produits de grande consommation
Très tôt, les secteurs Retail & Consumer Products ont développé une forte culture de la donnée client : la
distribution via la fidélisation, les industriels via les études marketing, les panels, le géomarketing, les analyses
sensorielles. Les pure players du e-commerce sont par ailleurs à l’origine des avancées les plus significatives dans
le domaine de l’exploitation business des données clients, en parvenant à créer les nouveaux standards
d’excellence de l’expérience client grâce à des ciblages très personnalisés, des moteurs de recommandations, ou
encore des mécaniques de promotions très élaborées. Le Big data représente à ce titre un véritable défi pour les
acteurs plus traditionnels, auquel s’ajoute celui de la sécurité et de la protection des données personnelles,
fondements de la confiance du consommateur.
David Naïm
Associé - Ernst & Young Advisory - Responsable du pôle Stratégie, Marketing et Innovation
Secteur de l’énergie et des utilities
Le secteur de l’énergie est à l’aube d’une profonde mutation portée par la data, avec en particulier le
déploiement programmé des compteurs intelligents. Le Big data est un des leviers majeurs qui permet de rendre
les réseaux plus intelligents et plus sûrs, et cela au moindre coût, tout en répondant aux enjeux de la transition
énergétique. Les données sont un élément stratégique pour assurer une meilleure maîtrise de la demande
d’énergie (eau, gaz, électricité) tant à l’échelle nationale que loc ale (smart cities), mais aussi ouvrir plus largement
le marché et enfin accompagner l’émergence de nouveaux usages.
Mohamed Larabi
Associé - Ernst & Young Advisory
11. Secteur des services financiers – le marché de l’assurance
Big data et enjeux de l’assurance connectée
Le traitement de données massives et la construction d’indicateurs multiples sont au coeur même du métier
d’assureur et ont pour objectif de comprendre et d’évaluer les risques pour générer des souscriptions.
Nos clients des services financiers ont conscience que la capacité à exploiter et protéger ces données (données
internes combinées aux données issues des réseaux sociaux, des déclarations de sinistres, des centres d’appel, des
suivis de campagnes marketing, des agrégateurs de données web, des données personnelles [anonymisées], de
l’open data, etc.) est clé pour relever les nouveaux défis qui se posent à leur métier et leur organisation :
•• De la maîtrise à la prévention des risques (ex. : fraude) grâce aux modèles prédictifs
•• Une connaissance précise des habitudes des clients « connectés » (alimentaires, sportives, professionnelles,
culturelles…) — qui s’avérera plus efficace que les questionnaires de santé — pour une relation de proximité et de
conseil. Cette meilleure connaissance permettra de développer de nouvelles méthodes de segmentation et de
tarification, d'optimiser le nombre de produits d’assurance par client, mais aussi un meilleur retour sur
investissement des politiques commerciales (campagnes publicitaires, démarchage commercial, messages de
prévention « ciblés »)
•• L’optimisation de l’allocation du capital
•• La confiance des clients au regard de l’utilisation de leurs données personnelles, vecteur de la réputation de
l’établissement.
Pierre Borg
Directeur exécutif - Ernst & Young Advisory
Secteur des sciences de la vie
Le Big data génère de formidables opportunités tout au long de la chaîne de valeur de la santé
Dans un contexte marqué par le « patent cliff » et la réduction des dépenses publiques de santé, auxquels s’ajoute
le durcissement des normes de santé, la recherche et les essais cliniques, peuvent être optimisés grâce à une
analyse de données plus efficace. La consommation de médicaments et les approvisionnements associés peuvent
être calculés en temps réel et en prédictif en combinant des données internes et externes. Les efforts
commerciaux et marketing peuvent être alignés en temps réel grâce à de meilleurs outils de reporting et d’analyse
des attentes des patients (ex. : en éc outant les médias sociaux). L’industrie des sciences de la vie e st alors amenée
à réinventer son modèle économique en prenant part à la coordination d’un parcours de soin centré sur le patient,
avec à la clé la cr éation de nouvelles filières d’excellence, sources de croissance pour l’avenir (ex. : monitoring ou
visites médicales à distance), et cela afin d’apporter une réponse de plus en plus individuelle aux patients, mais
aussi aux professionnels de santé, aux clients et aux payeurs.
Cédric Foray
Associé - Ernst & Young Advisory
Quelle maturité dans l'exploitation des données clients ? | 11
12. II/ Exploitation de la (Big) data :
10 freins identifiés
12 | (Big) data : où en sont les entreprises françaises ?
13. Les canaux de collecte utilisés selon la maturité
des entreprises
Marketing digital
Système de facturation
Portail Internet
Open data
8 %
28 %
Entreprises « très matures » Entreprises « non matures »
Quelle maturité dans l'exploitation des données clients ? | 13
CRM
6 %
53 %
Espace client Internet
68 %
44 %
Réseaux sociaux
69 %
25 %
Géolocalisation
12 %
24 %
84 %
Capteurs intégrés
23 %
33 %
85 %
96 %
92 %
58 %
92 %
La collecte de données clients :
les canaux digitaux sous-exploités
Frein n° 1 - La collecte de la data encore
largement limitée aux canaux traditionnels
Les données collectées par les entreprises pour renforcer leur
connaissance client et déployer des stratégie marketing en
conséquence proviennent très majoritairement des systèmes
traditionnels de facturation pour 84 % des entreprises de
notre panel, et d’outils CRM pour 66 %.
Un constat d’autant plus surprenant que les données non
structurées constituent, à l'ère digitale, la plus grande partie
des données émises et partagées à travers le monde. Chaque
minute, 208 300 photos sont publiées sur Facebook et
350 000 tweets sont postés*.
Au-delà des espaces clients Internet dédiés, les entreprises
utilisent encore peu les canaux digitaux et mobiles pour
capter des données sur leurs clients. La part des entreprises
ayant recours aux réseaux sociaux, aux capteurs intégrés
dans les équipements clients et aux données GPS sur la
localisation et les déplacements clients s'élève respectivement
à 36 %, 14 % et 11 %.
Ces canaux ont pourtant la spécificité de fournir des
informations qualitatives, contextuelles et en temps réel
sur le comportement des clients, ce qui est précieux pour
comprendre leur expérience et leur parcours, contextualiser
leurs achats et, in fine, qualifier leur profil.
À ce jour, ce sont très majoritairement les entreprises de la
grande distribution et du secteur des TMT qui ont recours aux
canaux digitaux et mobiles.
* "Ready for take off? Overcoming the practical and legal difficulties in
identifying and realizing the value of data", EY, 2014
14. Frein n° 2 - Les données non structurées,
le maillon faible de l'analyse
Au-delà des traditionnelles données textes structurées sur
leurs clients — coordonnées, comportements et dépenses —
collectées par 90 % des entreprises de notre panel, celles-ci
collectent aussi des données non structurées.
45 % des entreprises interrogées collectent des données
textes non structurées : verbatims* sur des espaces clients
Internet ou remontés de points de vente, conversations
numériques, avis soumis ou partagés en ligne, données
sonores, images et vidéos. Si la moitié des entreprises les plus
matures dispose de ce type de données sur leurs clients, elles
ne sont que 10 % parmi les sociétés « non matures ».
Ce sont majoritairement les secteurs de la grande distribution
et des TMT qui collectent ce type de données.
Les proportions tombent respectivement à 16 % et 21 % pour
les données sonores (enregistrements vocaux, musique…) et
les images ou vidéos (photos personnelles, films…).
45 % des entreprises interrogées reconnaissent que les
données collectées ne sont pas assez exploitées : 26 %
affirment collecter une grande quantité de données mais
ne pas toujours maximiser leur valeur et près de 20 %
reconnaissent collecter des données mais les exploiter assez
peu.
Pourtant, l’amélioration de l’expérience client est l’axe
stratégique numéro un des entreprises que nous avons
interrogées (68 % ont répondu « tout à fait »), loin devant
la stratégie tarifaire (36 % ont répondu « tout à fait ») ou le
développement à l’international (30 % des répondants).
* Il existe des outils de business intelligence permettant de remonter les
verbatims en temps réel sur une liste de sujets définis,
Dossier Big & smart data, Stratégies n° 1770, 22/05/2014
** Pour 70 % des entreprises de notre panel
14 | (Big) data : où en sont les entreprises françaises ?
Les données non structurées sont très peu exploitées
45 %
des entreprises interrogées collectent des données non
structurées
27 %
des entreprises interrogées sont outillées pour fiabiliser ces
données
Moins de 10 %
des entreprises disposent de logiciels de statistique
prédictive
Moins de 10 data experts/entreprise
pour traiter les données non structurées**
Le directeur financier au coeur de
l'enjeu de structuration de la data
Aujourd’hui principalement composée d’informations
financières, l'information structurée comprendra
demain une part croissante d’informations RH,
sociales, liées au parcours clients, à la consommation
énergétique, aux machines communicantes, aux blogs,
etc.
Le directeur financier est doté d'un savoir-faire
unique en termes de structuration de l’information, de
fiabilisation, de production et d’analyse pour éclairer les
choix des actionnaires et du management.
Aussi, ces compétences le mettent naturellement en
première ligne dans les projets de transformation liés
au (Big) data. Il aura pour défi notamment de faire
parler les indicateurs financiers et non financiers,
d’intégrer opérations et finance, de casser les silos
organisationnels pour mieux capter le parcours client
et enfin d'orienter l’entreprise vers l'élaboration de
scénarii futurs.
Pierrick Vaudour
Associé - Ernst & Young et Associés - Financial Accounting Advisory Services
15. Le traitement et l'analyse
des données clients :
des capacités inadaptées
Le Big data implique le traitement de données volumineuses
(nombreuses sources d’historiques, bases de corrélations,
etc.) en un temps raisonnable, voire en temps réel.
Le problème n’est plus tant de stocker (a priori) un volume
considérable de données clients, mais de sélectionner,
dans le flux continu de data, celles que l’on va conserver (a
posteriori) : un choix qui requiert des compétences et outils
spécifiques.
Bien souvent, une combinaison de méthodes statistiques
classiques (statistiques descriptives, segmentation, scoring,
etc.) et de solutions de calcul permet de résoudre ces
difficultés.
Par exemple, la parallélisation des calculs répète les mêmes
calculs sur des groupes de données séparés, des séquences,
avant de les réconcilier, afin qu’ils soient globalement
effectués de manière plus rapide. Cette méthode de calcul est
combinée avec des estimateurs statistiques pour converger
vers une réponse la plus juste possible dans le délai imparti.
Notons que les formes de statistiques descriptives auxquelles
on aboutit aujourd’hui sont plus pures qu’à l’époque où l’on ne
disposait que d’échantillons de données qu’il fallait extrapoler
(du fait des coûts de récolte, de stockage et de traitement).
Raison pour laquelle la quantité de données disponibles et
leur traitement ne sont aujourd’hui plus une limite, ce qui
permet de travailler sur des données plus exhaustives.
Quelle maturité dans l'exploitation des données clients ? | 15
16. Frein n° 3 - Un manque de compétences
analytiques
Les entreprises ne disposent pas de profils et de compétences
analytiques en interne pour exploiter l’ensemble des données
utiles à leur activité, traiter les données historiques en temps
réel et relationnelles (réseaux, amis, familles, collègues), les
contextualiser et en tirer des résultats utiles et exploitables.
Seules 30 % des entreprises interrogées ont recruté des
profils spécifiques dédiés au traitement et à la gestion de la
data.
Plus généralement, pour 70 % des entreprises interrogées,
l’ensemble des ressources dédiées au traitement des données
clients représente moins de 10 personnes. Seules 6 % des
entreprises du panel disposent d'effectifs dédiés à la data de
plus de 50 personnes.
16 | (Big) data : où en sont les entreprises françaises ?
Nombre de personnes dédiées à l'exploitation de la data
Total panel : 152 entreprises
10 à 49
6 %
18 %
50 ou plus
70 %
moins de 10
17. 4 %
3 %
Quelle maturité dans l'exploitation des données clients ? | 17
Entreprises ayant un effectif data de moins de 10
personnes
Entreprises ayant un effectif data de 50 personnes ou plus
79 %
Non matures
71 % 70 %*
Peu matures
39 %
Très matures
6 %*
16 %
Peu matures Très matures
Non matures
* 70 % des entreprises du panel ont un effectif data
inférieur à 10 personnes
* 6 % des entreprises du panel ont un effectif data
supérieur à 50 personnes
18. Frein n° 4 - Une carence des outils de traitement des données
Individuelles, hétérogènes, multiples et éparses, les traces
numériques collectées en temps réel n’ont, prises isolément,
aucune valeur. Leur valeur vient du sens qu’on arrive à en
tirer, en termes de corrélation ou de prédictibilité.
Il est possible de donner du sens à ces données en les
rattachant à leur cause commune : le comportement d’un
être humain. De cette façon, on peut non seulement espérer
comprendre le comportement d’un individu à travers les
traces qu’il laisse, mais aussi, in fine, recomposer son ADN
numérique.
Au-delà de la collecte de données et de leur stockage,
l’intelligence algorithmique est indispensable pour donner
un sens à la masse de données générées par chaque
individu et ses objets connectés. Cette intelligence
algorithmique vise à regrouper, confronter et mettre en
relation des données issues de sources diverses pour créer
et caractériser des groupes statistiques — sur la base de
tendances caractérisées — afin de décrypter et d’anticiper ses
comportements dans des environnements différents.
Il faut donc contextualiser la donnée qui, seule, n’aura aucun
sens, mais prendra toute sa valeur dans la mise en relation
avec une multitude d’autres données. C’est ce pouvoir de
contextualisation qui permettra à l’entreprise de proposer
la bonne offre à la bonne cible, au bon moment et au bon
endroit (ou via le bon canal*).
* Comportements culturels et données personnelles au coeur du Big data :
entre la nécessaire protection et une exploitation au service de nouveaux
équilibres - EY, novembre 2013
18 | (Big) data : où en sont les entreprises françaises ?
Les données issues du web, du mobile et des objets connectés
ont rendu caduques les techniques d’analyse classique,
manquant désormais de puissance, de rapidité, de flexibilité,
et devenues trop onéreuses.
Des technologies et outils de traitement, ainsi que des
compétences spécifiques sont nécessaires pour extraire des
informations et enseignements des données non structurées,
le maillon faible de l’analyse. Il faut en effet les « traduire »,
les fiabiliser, les indexer, les combiner avec les données
existantes, pour pouvoir les intégrer au reporting qui sera
remonté au niveau décisionnel.
Enjeu de fiabilité et de sécurité
de la data
Les entreprises intègrent de plus en plus le Big
data dans leurs processus décisionnels. Il apparaît
ainsi essentiel de veiller à la fiabilité et la sécurité des
données analysées. Pour ce faire, les responsables
sécurité ou les contrôleurs internes doivent
appréhender les processus Big data de manière globale
afin de déployer les dispositifs de sécurité et de contrôle
adéquats. Ces dispositifs doivent permettre de répondre
aux enjeux de volume, de vitesse de traitement, de
diversité des formats et permettre une circulation
intègre et sécurisée de l’information.
Pascal Antonini
Associé - Ernst & Young Advisory - IT Risk and Security
19. Quelle maturité dans l'exploitation des données clients ? | 19
La majorité des grandes entreprises a conscience de
la progression de ces données non structurées et de
l’indispensable effort de fiabilisation. 59 % des entreprises
que nous avons interrogées affirment anticiper une hausse
du volume de données à fiabiliser dans les 18 mois. En même
temps, seules 27 % d’entre elles affirment avoir mis en place
des process internes pour fiabiliser ou exploiter les données
non structurées.
Dernière étape pour rendre les données clients exploitables :
la visualisation et la simplicité d’usage des résultats de
l’analyse, décisives pour la compréhension et l’exploitation des
résultats par les décideurs opérationnels. En effet, la façon de
partager les données est essentielle pour que chaque métier
puisse se les approprier et en tirer de la valeur.
Une data visualisation de qualité donne aux décideurs le
moyen de manipuler de larges volumes de données pour faire
émerger des tendances, mettre en lumière des corrélations
qui ne peuvent se révéler qu’avec la visualisation et répondre
à des questions spécifiques. En somme, des résultats
d’analyse restitués de façon visuelle, mis en perspective et
hiérarchisant les enjeux.
La data visualisation permet aussi d’assurer une
communication, interne et externe, efficace et cohérente
(la visualisation de données unifie le discours en le rendant
accessible, clair et facile à partager). Il s'agit donc d'un moyen
efficace de faire passer un message sans ambiguïté auprès de
ses clients, actionnaires et autres parties prenantes.
Les chiffres nous montrent que les techniques visuelles et
interactives de présentation des données se généralisent
au sein des entreprises. Pour n’en citer que quelques-unes :
Qlikview est utilisée par 43 % des entreprises interrogées ;
Spotfire par 28 % ; 41 % Cognos et Business Object par 43 %.
En revanche, ces solutions sont surtout déployées au service
de la compréhension et la restitution du passé, encore peu
comme outil d’analyse, et encore moins dans l’élaboration de
scénarii prédictifs.
20. Frein n° 5 - L’analyse de la data encore (trop) peu orientée vers le prédictif et le temps réel
La prédictibilité des modèles analytiques et la capacité de
prise de décision en temps réel constituent la vraie longueur
d’avance en matière d’exploitation des données clients.
Ces modèles à visée prédictive sont déjà utilisés,
notamment par les champions du numérique, à travers les
recommandations de sites d’achat de biens et services en
ligne — sites d'e-commerce ou de vidéo à la demande — qui
reposent sur des modèles capables de prévoir ce qu’un
individu serait en mesure d’apprécier au regard de ses achats
antérieurs, mais aussi d’achats similaires effectués par
d’autres consommateurs, afin de lui proposer des produits
en conséquence. Au-delà de la corrélation avec le contexte,
l’intelligence algorithmique vise à établir des liens de cause
à effet pour mieux prévoir les comportements futurs de
l’internaute.
Seules 10 % des entreprises interrogées exploitent les
données clients à des fins prédictives et 5 % d’entre elles
le font pour optimiser les process techniques permettant
d’accroître la rapidité d’exécution et d'augmenter les capacités
de stockage (éléments clés pour exploiter des volumes
croissants et toujours plus rapides de données et de flux
d’informations).
Si elles n’ont pas les compétences requises, les entreprises les
plus matures de notre panel ont néanmoins été sensibilisées à
ce sujet : 73 % affirment que la mise en place d’une stratégie
(Big) data leur permettrait d’utiliser des modèles prédictifs en
temps réel (contre 43 % pour les moins matures).
20 | (Big) data : où en sont les entreprises françaises ?
Elles sont encore plus nombreuses (92 % des plus matures)
à penser qu’une telle stratégie leur permettrait d'assurer la
rapidité de leurs extractions et requêtes.
Dans l’industrie, et particulièrement les industries de réseaux
et d’infrastructures (communications et énergie, mais aussi
transports et automobile), les solutions de maintenance
prédictive, en collectant et analysant des données en temps
réel à partir de nombreuses sources (logs de maintenance,
logs des performances, données de surveillance, données
environnementales, données financières, etc.) contribuent
à améliorer significativement la qualité des prestations et la
performance opérationnelle des entreprises. Elles permettent
notamment de réaliser des diagnostics préventifs et, au-delà,
de la maintenance prédictive.
Il est alors possible de repérer en temps réel les schémas
propices à la détection préventive des incidents et pannes
afin de déterminer les domaines les plus exposés au risque
et d’identifier la cause première du problème. La maintenance
dirige alors proactivement les ressources vers ces domaines
avant que le risque ne devienne une réalité. En d’autres
termes, il s’agit d’anticiper les problèmes réseaux plusieurs
semaines, voire plusieurs mois, à l’avance et d’éviter les
accidents, interventions et arrêts de production qui peuvent
se révéler très coûteux financièrement et en termes d’image*.
N'oublions pas que dans certaines industries, le coût de la
maintenance est bien supérieur à celui de l'investissement
initial.
* Emmanuelle Delsol, dossier « Data le contrat de confiance », L’Usine nouvelle,
N° 3372, 10/04/2014 « La maintenance prédictive au service de
l’industrie », analysepredictive.fr, 23/08/2011, consulté le 25/06/2014
22. La data non perçue comme un support
aux décisions stratégiques
Frein n° 6 - Le manque de transversalité
dans la gestion des projets (Big) data
Le manque de transversalité dans l’organisation et la
gestion des projets data est un frein à la valorisation des
données clients. Les projets sont souvent perçus comme
trop complexes, trop longs à mettre en oeuvre et donc non
prioritaires.
En outre, les silos en interne sont les principaux freins
organisationnels à une optimisation de l’exploitation de la
data, même si les dirigeants le reconnaissent moins volontiers
lorsqu’il s’agit de leur organisation. Même parmi les très
matures (17 % du panel), 39 % considèrent qu’il s’agit encore
d’un frein à l’exploitation de la data.
Preuve qu'il s'agit d'un frein quel que soit le niveau de
maturité data des entreprises, 39 % de celles de notre panel
reconnaissent que les silos internes demeurent un frein à
l'exploitation optimale des données clients.
Chaque métier ayant pour habitude d’utiliser et de transformer
les données issues de ses bases de données pour répondre à
ses propres enjeux métiers ou objectifs, le capital data ne peut
pas circuler dans l’entreprise, ce qui explique une absence de
vision unifiée. Raison pour laquelle les outils et technologies
Big data sont encore peu adoptés.
En effet, ces solutions ne prennent leur pleine mesure qu’en
exploitant les informations provenant de tous les systèmes
informatiques et des directions de l’entreprise.
22 | (Big) data : où en sont les entreprises françaises ?
Frein n° 7 - L’absence de mesure du ROI*
des projets (Big) data
Le Big data marque un tournant majeur dans l’exploitation
des données clients et représente un formidable levier de
croissance et de profitabilité. Pourtant, les résultats de notre
enquête laissent entrevoir que la data peine à convaincre
en termes de ROI. On constate une très faible prise de
conscience, au sein des entreprises, de la valeur ajoutée des
projets data. Il existe peu d'études de cas sur l’opportunité de
développer des projets (Big) data. Quantifier et mesurer la
valeur des projets data, sur la base de KPI** prédéfinis et d’une
estimation du retour sur investissement, permettrait pourtant
d’établir une feuille de route avec des projets data à déployer
prioritairement et d’obtenir le sponsorship du management.
À ce jour, seules 29 % des entreprises interrogées considèrent
que le Big data marque un tournant majeur et représente
un levier de croissance. Quant à la mise en place d’un « plan
d’action Big data avec des initiatives concrètes », elles ne sont
que 18 % à l'avoir fait. Là encore, les entreprises identifiées
comme les plus matures se distinguent, bien que moins de
la moitié de cette catégorie ait déployé un tel plan, soit 46 %
précisément. Un pourcentage qui tombe à 5 % chez les moins
matures.
Pour ce qui est du retour sur investissement en particulier, à
ce jour, 58 % des entreprises interrogées n’ont pas cherché à
quantifier la contribution des solutions à la performance de
leur entreprise. Là encore, l’écart est énorme entre les plus
matures (77 %) et les « non matures » (3 %).
* ROI : Return on Investment
** KPI : Key Performance Indicator
23. 73 %
51 %
19 %
Frein n° 8 - Un manque de sponsorship de la direction générale
L'absence de mesure ROI de l'exploitation (Big) data, alliée à une conjoncture
économique défavorable peuvent expliquer la prudence de la plupart des directions
générales sur le sujet. La majorité des entreprises non matures considère la
perception du top management comme un frein à une exploitation optimale des
données au sein de leur entreprise, soit 57 % d’entre elles, contre seulement
11 % pour les plus matures. C’est en effet le management qui, par ses arbitrages
en matière de définition des axes stratégiques et d’investissement, va ou non
permettre les transformations internes requises pour doter l’entreprise des moyens
analytiques adéquats.
Quelle maturité dans l'exploitation des données clients ? | 23
Avez-vous cherché à quantifier la contribution
des solutions Big data à votre performance ?
42 %
Oui
58 %
Non
Entreprises interrogées ayant répondu « non »
(58 % du panel)
Non matures Peu matures Très matures
58 %
24. Vie privée et sécurité : des enjeux encore sous-estimés
Frein n° 9 - La réticence à partager des données personnelles, un risque majeur pour la fiabilité
de la data
Avec l’avènement de l’économie numérique et l’explosion
de l’Internet des objets, les data connaissent une croissance
exponentielle et forment une masse gigantesque de données
structurées et non structurées.
Et à la source de la production de ces données se trouve…
l’individu. C’est pourquoi l’enjeu de la sécurité des données,
auquel s’ajoute celui de la protection de la vie privée, est la
clé de l’avenir même du Big data. En effet, la protection des
données personnelles apparaît au centre des préoccupations
des consommateurs, qui questionnent de plus en plus les
entreprises et responsables du traitement sur les garanties
et la sécurité qu’ils mettent en place pour protéger les
données personnelles qu'ils leur confient. Les questions les
plus fréquemment posées sont relatives à la localisation de
ces données, aux mesures de sécurité mises en place pour
les protéger contre des accès non autorisés, à l’usage qui
en est fait par le responsable de traitement, à qui elles sont
destinées, etc.
24 | (Big) data : où en sont les entreprises françaises ?
La protection des données personnelles cristallise aujourd’hui
les réticences liées à l’exploitation des données clients.
Or la confiance des clients, partenaires et citoyens dans une
marque, est une condition nécessaire à l’engagement dans la
marque et au partage non biaisé d’informations.
D’après une récente étude EY* 70 % des consommateurs
sont réticents à partager leurs données personnelles avec les
entreprises et 49 % affirment qu’ils seront moins enclins à le
faire dans les cinq années à venir.
* "Ready for take-off? Overcoming the practical and legal difficulties in
identifying and realizing the value of data", EY, 2014
25. Quelle maturité dans l'exploitation des données clients ? | 25
Frein n° 10 - Faible sensibilisation aux enjeux
de sécurité et de protection de la data
Parmi les entreprises que nous avons interrogées, 30 %
estiment ne pas être concernées par les enjeux de protection
de la vie privée lors de l’exploitation de leurs données clients.
Un résultat qu’il convient de nuancer selon le niveau de
maturité des entreprises en termes d’exploitation de data.
En effet, les entreprises identifiées comme les plus matures
dans l’Indice EY de Maturité Data sont 92,3 % à considérer
que la question de la protection de la vie privée est un enjeu
prioritaire dans l’exploitation des données clients. Tandis que
pour celles qui ont été identifiées comme non matures, seules
20,7 % perçoivent la privacy comme un enjeu, contre 58,6 %
qui ne paraissent pas encore s’en préoccuper.
Les données personnelles sont précieuses pour les
entreprises car elles revêtent un fort caractère prédictif**.
La confiance des producteurs de data augmentera fortement
leur propension à partager des données personnelles fiables
et précises, et baissera ainsi significativement les biais
statistiques des modèles décisionnels et prédictifs.
Les entreprises sont généralement un peu plus sensibles
à l’aspect technique de la protection des données et, plus
précisément, au risque de cyberattaque de leurs systèmes
d’information (SI).
Selon une étude internationale EY* sur la sécurité des
systèmes d’information, 59 % des entreprises interrogées
considèrent que les menaces externes sur leurs systèmes
d’information sont en progression et 43 % affirment que leur
budget sécurité des systèmes d’information est en hausse.
** “Under cyber attack - EY’s Global Information Security Survey 2013”
Intégrer le cadre réglementaire de la
protection des données : une nécessité
pour que sécurité juridique et confiance
des clients constituent le socle du
développement
L’exploitation des données s’inscrit nécessairement
dans un cadre réglementaire qui va protéger, outre
les droits d’auteur, les créations originales et les
investissements du producteur d’une base de données,
l’exploitation des données personnelles, c’est-à-dire qui
va permettre aux individus de connaître l’exploitation qui
est faite des données qui peuvent les identifier, et dans
certains cas, de s’y opposer.
Le cadre réglementaire de la protection des données
personnelles en Europe impose notamment des
obligations déclaratives auprès du régulateur national
(la CNIL en France), des obligations de loyauté dans
la collecte et la communication des données, des
obligations d’information, d’accès et un droit d’opposition
au bénéfice des personnes concernées, des restrictions
en cas d’accès ou de transferts en dehors de l’Union
européenne ainsi que des obligations d’effacement
des données lorsqu’elles ne sont plus nécessaires pour
répondre à la finalité qui a motivé leur collecte.
Ce cadre réglementaire n’a pas vocation à empêcher
l’exploitation des données personnelles mais à donner
des garanties aux personnes dont les données sont
traitées, en termes de sécurité des données et de
contrôle sur l’utilisation qui est faite de leurs données.
La conformité avec ce cadre réglementaire répond,
au-delà de la prévention du risque juridique de sanction
pouvant être prononcé par le régulateur (jusqu’à
300 000 euros en droit positif, mais bientôt jusqu’à
5 % du chiffre d’affaires mondial du responsable de
traitement lorsque le projet de règlement en matière de
protection des données sera adopté), à un enjeu éthique
de respect de la vie privée des individus.
Fabrice Naftalski
Associé - Ernst & Young Société d'Avocats - Responsable EMEIA des activités Droit
des Technologies de l'Information et de la Propriété Intellectuelle
26. III/ Déployer une stratégie (Big) data
efficace : les leviers d'action
26 | (Big) data : où en sont les entreprises françaises ?
27. La révolution (Big) data n’a pas encore eu lieu
Quelle maturité dans l'exploitation des données clients ? | 27
Deux tiers des entreprises françaises (63 %) considèrent que
le Big data est un concept intéressant mais encore trop vague
pour constituer un levier de croissance.
« Le Big data est un concept intéressant mais encore
imprécis qui ne constituera un levier de croissance que
pour certaines entreprises »
Force est de constater qu’au-delà de l'effet de mode, le Big
data représente pour beaucoup un concept flou, encore
difficile à appréhender au sein des entreprises, tant en termes
de transformation organisationnelle, de stratégie, de ROI que
de gestion et de formation des compétences. En témoigne le
passage au filtre de l’Indice de Maturité Data :
Peu d’études d’opportunité (Big) data sont
menées
Les entreprises les plus matures sont celles qui ont non
seulement lancé une étude d’opportunité du Big data – ce
qui ne représente que 9 % du nombre total d’entreprises
composant notre panel - mais aussi celles qui ont mis en place
une stratégie globale de gestion de leurs données clients,
pour favoriser une meilleure circulation des données en
interne et une exploitation plus cohérente et transversale de
ces données.
Pour l’heure, la moitié des entreprises n’a pas étudié les
opportunités éventuelles liées au Big data.
« Notre entreprise a étudié les opportunités éventuelles
liées au Big data »
37 %
63 %
Non Oui
Entreprises interrogées ayant répondu « oui »
(63 % du panel)
72 %
Non matures
61 %
Peu matures
35 %
Très matures
63 %
Non
57 %
23 %
Oui,
plan Big data déployé
Oui,
mais nous avons conclu
à l’absence d’opportunité
Oui,
étude en cours
18 %
2 %
La deuxième révolution de la (Big) data sera celle
de l'exploitation des données non structurées et de
l'open data.
Bruno Perrin
Associé - Ernst & Young et Associés
Responsable du secteur Technologies, Médias, Télécoms en France
28. L’entreprise n’a pas de vision 360° de la data
La moitié des entreprises interrogées reconnaît que
l’absence « d’un plan d’action clair qui constitue une feuille
de route pour l’ensemble de l’entreprise » est un frein à une
exploitation optimale des données clients.
Le pourcentage s’élève à 76 % pour les entreprises « pas du
tout matures » contre 35 % chez les « très matures ». Un état
de fait à rapprocher de la position du top management sur
le sujet du Big data, à savoir s’il juge utile ou non d’améliorer
significativement la gestion actuelle des données clients.
57 % des entreprises non matures considèrent la perception
du top management comme un frein versus 11 % pour les très
matures.
28 | (Big) data : où en sont les entreprises françaises ?
Il n’existe pas encore de « gouvernance data »
Les entreprises hésitent encore sur l’entité qui doit prendre
la responsabilité de la stratégie data, tout autant que sur les
modalités d’application. En effet, selon le niveau de maturité
des entreprises, il incombe soit à la direction marketing
(pour les plus matures) soit à la DSI d’impulser et/ou de
mettre en place la stratégie data, mais aussi de concentrer
les compétences data de l’entreprise. En effet, pour 58 %
des entreprises très matures, les compétences en gestion
de données de l’entreprise sont rattachées à la direction
marketing et pour 31 % des entreprises pas du tout matures,
les compétences en gestion de données de l’entreprise sont
rattachées à la direction technique.
Quoi qu’il en soit, la prise en main par une seule direction
fonctionnelle induit le risque que l'exploitation des données
clients de l’entreprise soit limitée ou orientée prioritairement
aux besoins de la direction fonctionnelle concernée.
Outre-Atlantique, on voit émerger une fonction de Chief Data
Officer qui a la charge de l’ensemble des questions relatives à
la stratégie data de l’entreprise. Même au sein des entreprises
les plus matures de notre panel, cette réflexion est à peine
entamée et ne s'est pas traduite en actions concrètes.
29. Stratégie (Big) data :
deux approches coexistent actuellement
Quelle maturité dans l'exploitation des données clients ? | 29
Parmi les entreprises interrogées pour notre étude et celles
auprès desquelles nos sommes intervenus récemment,
nous observons deux tendances principales en matière
d’élaboration d’une stratégie de données clients : le modèle
Bottom-up et le modèle Top-down.
a) Le modèle « Bottom-up »
Son objectif est double : lancer des projets au niveau
opérationnel afin de valider les avancées et les bénéfices
potentiels à en tirer, sachant que les projets sont issus de
l’analyse du champ des possibilités offertes par le Big data.
Ce modèle « test & learn » a un triple avantage : des résultats
d’impacts concrets sur la société, un effet d’apprentissage sur
les équipes et le lancement de plusieurs projets en parallèle.
Il a cependant ses limites. L’absence d’indicateurs de
performance peinera à convaincre le management de l’effet
Big data et de l’utilité du projet. Ce à quoi s’ajoutent l’absence
de fil conducteur commun, qui entraîne une dispersion des
projets, un manque de regard externe sur les projets, et
un défaut d’investissement et de moyens qui limitent les
possibilités.
Dans cette approche, les entreprises sont équipées d’outils
spécifiques, en particulier de data visualisation. Elles
cherchent à répondre à des problématiques spécifiques
(ex. : en mode agile) mais ne dispo sent pas forcément de
l’architecture permettant le temps réel et les problèmes liés
au silotage demeurent la plupart du temps.
b) Le modèle « Top-down »
Ce modèle repose sur la définition d’une stratégie Big data
et d’une feuille de route avec des offres allant jusqu’à la
monétisation de la data, des pistes pour mieux exploiter
les data internes ainsi qu’un programme d’enrichissement
externe du patrimoine data de l’entreprise.
Dans ce cas, conscient de l’effet Big data et convaincu de la
valeur future, le management soutient la démarche et insuffle
une transversalité, incitant les métiers à travailler ensemble
sur la data.
Revers de la démarche « (Big) data-oriented » : des délais de
mise en place et de retours sur investissements relativement
longs. Dans une telle démarche, il se peut qu’il n’y ait toujours
pas d’actions enclenchées quelques mois après le lancement
du projet. Par ailleurs, les potentiels (phase « PoV » )
identifiés peuvent être tellement nombreux qu’il n’est pas aisé
d’anticiper et d’arbitrer parmi les projets data à lancer
(PoC). • En savoir plus p. 31
30. Le succès du projet data chez Prisma a reposé
sur la réunion inédite de l’ensemble des métiers
et expertises au sein du groupe.
Yoann Denée
Directeur, Prisma Digital
Facteurs clés de succès
du déploiement d’une stratégie (Big) data
Si chacune des approches data mises en place dans les entreprises a des avantages, selon nous, ce n‘est pas tant
l’approche en tant que telle qui fera la différence, mais la prise en compte d’un certain nombre de conditions qui
constituent les facteurs clés de succès d’une stratégie (Big) data.
L’entreprise se doit de définir une stratégie (Big) data, avec la data comme axe stratégique de l’entreprise au
même titre que la politique tarifaire par exemple.
Les 5 facteurs clés de succès du déploiement d’une stratégie (Big) data :
• Facteur clé de succès n° 1 - Une transversalité indispensable en amont
Au-delà de la gestion des volumes, l’un des plus forts attraits
des nouvelles technologies en matière d’exploitation et
d’analyse statistique des données clients réside dans la
capacité à s’adapter très aisément à la diversité des données :
variété des sources, hétérogénéité des formats, etc.
Dès lors, l’un des premiers enjeux dans le déploiement d’une
stratégie (Big) data consiste à mobiliser l’ensemble des
directions qui disposent souvent de points de vue divers et
complémentaires en matière de connaissance d’un client.
Les occasions de collecter des données sur un client sont
multiples et relèvent généralement de la responsabilité d’une
multitude de directions métiers ou fonctionnelles d’une
entreprise. Des rigidités organisationnelles, doublées de freins
techniques, freinent souvent l’exploitation de cette manne de
connaissance que les croisements et mises en corrélation de
toutes les données pourraient révéler.
30 | (Big) data : où en sont les entreprises françaises ?
S’il intègre l’ensemble des métiers de l’entreprise le plus en
amont possible, le projet stratégique (Big) data permettra
d’effectuer le recensement le plus exhaustif afin de révéler
des corrélations et d’en tirer des enseignements inédits.
À cette transversalité inter-directions s’ajoute une nécessaire
pluridisciplinarité. La connaissance et la maîtrise des enjeux
liées à l’exploitation des données tout au long de la chaîne
de valeur relève en effet de profils très différents. Afin de
prendre en compte l’ensemble de ces dimensions, une équipe-projet
devra rassembler des profils d’informaticiens, de chefs
de produits marketing, de financiers, d’analystes statisticiens,
de juristes...
Une gestion de projet performance devra enfin être
idéalement mise en place afin de coordonner les travaux
de ces équipes et garantir l’avancée des travaux et solliciter
occasionnellement des arbitrages lorsque des points de
blocage se feraient jour.
31. Quelle maturité dans l'exploitation des données clients ? | 31
Le réseau permet de faire évoluer en direct et avec le
plus vaste public les initiatives et les services. C'est une
révolution qui accélère tous les cycles et fait de l'erreur
initiale une étape naturelle du succès futur.
Pierre Bellanger
Fondateur et président-directeur général du groupe Skyrock
• Facteur clé de succès n° 2 - Une implication
forte de la direction générale
Un programme de travail transverse mêlant des compétences
et des entités aussi variées doit être porté par une implication
forte, au niveau du comité exécutif ou d’une entité ayant déjà
pour vocation de travailler en support de multiples entités
métiers (direction de l’innovation, direction de la stratégie…).
Un soutien qui garantit une meilleure adhésion, une visibilité
plus forte et évite que le projet ne soit restreint qu’à l’atteinte
d’objectifs spécifiques de l’entreprise (développement des
ventes, réduction des coûts…). Si de ce projet découlent des
opportunités de modifications organisationnelles, qui entrent
généralement dans le périmètre de la direction générale,
l’implication de cette dernière dès la genèse du projet
permettra d’accélérer la compréhension des enjeux et des
bénéfices attendus en vue d’éventuels arbitrages.
• Facteur clé de succès n° 3 - La mise en place
d'un Agile Analytics Program
Un cadrage stratégique des enjeux et opportunités
Il faut consacrer un temps significatif à la qualification des
besoins et enjeux de l’entreprise et à son diagnostic maturité,
et ensuite seulement choisir les technologies les plus à même
de répondre aux besoins identifiés et qualifiés.
C’est à ce moment seulement que le socle technologique doit
être spécifié.
Les PoV* comme point d'ancrage
Sur le sujet de la data, il est indispensable de travailler
avec les utilisateurs finaux, au plus près des décideurs, et
de se lancer au travers de projets concrets, via des pilotes,
autrement appelés PoC (proof of concept*).
* PoV : des PoC (proofs of concept) associés à des études d'impact pour évaluer
32. Avant tout, il convient de définir les opportunités business
(phase PoV*) puis de sélectionner, dans ce champ des
possibles, les projets qui répondent le mieux aux deux
critères suivants : facilité de mise en oeuvre et gain maximal
pour l’entreprise (ROI) ; l’intérêt de cette démarche étant
d’autofinancer l’industrialisation du projet (sa généralisation à
l’ensemble de l’entreprise) et la mise en place d’une stratégie
Big data.
* PoV : des PoC (proofs of concept) associés à des études d'impact pour
évaluer leur rentabilité (ROI)
32 | (Big) data : où en sont les entreprises françaises ?
Une feuille de route agile et un plan d’actions concret
La feuille de route à moyen terme (3 à 5 ans) doit définir des
actions prioritaires concrètes, des objectifs à court et moyen
termes, et des KPI associés à chacune des actions.
Le développement des PoC doit se faire selon un mode de
co-construction agile.
Il est important que les décideurs et utilisateurs finaux
puissent utiliser eux-mêmes (et interagir avec) les résultats
qui leur sont remontés (reporting). Ils ne se satisfont plus de
rapports figés.
La réflexion stratégique de Renault en matière
d’exploitation des données s’est d’abord appuyée sur
un recensement exhaustif des sources de données
clients (outils CRM, concessionnaires, web et & réseaux
sociaux, open data [incidentologie], etc.) et sur
l’évaluation de leur valeur potentielle pour le Groupe à
court et moyen termes.
Patrick Hoffstetter
Directeur Digital Factory chez Renault
Il est important de chercher à développer des
initiatives variées permettant d’acquérir de la
connaissance sur un large panel de technologies Big
data innovantes (text mining, extraction de data en
grandes dimensions...).
Éric Martin
Responsable technique Big data chez Air France
33. Quelle maturité dans l'exploitation des données clients ? | 33
• Facteur clé de succès n° 4 - La confiance
by design
La protection juridique et technique des données répond au
triple enjeu de fiabilité, d'efficacité et de réputation.
Les entreprises doivent donc prendre en compte, en amont
de tout projet Big data, les enjeux de risques techniques,
juridiques et réputationnels.
Les directions informatiques et juridiques en particulier
doivent créer ensemble les conditions du partage non biaisé
d'informations clés, notamment de données à caractère
personnel, pour la pertinence des modèles prédictifs.
La sécurisation des données et de leur utilisation est aussi un
prérequis pour valoriser les données à caractère personnel.
Garantir la sécurité et l'intégrité des données traitées,
la protection des données personnelles, tout en étant
transparent sur l'utilisation de ces données répond à l'enjeu
de réputation de l'entreprise à l'ère digitale.
34. Exploitation (Big) data : des freins aux leviers d'action
Les freins identifiés
Manque de compétences analytiques
FREIN 1
FREIN 3
Carence des outils de traitement de la data non structurée
FREIN 4
Analyse de la data (trop) peu orientée vers le temps réel et le prédictif
FREIN 5
Absence de mesure du ROI des opportunités (Big) data
FREIN 6
FREIN 9
Réticence des clients, partenaires et citoyens à partager leurs données personnelles
Faible sensibilisation aux enjeux de sécurité et de protection de la data
FREIN 10
Manque d'implication de la direction générale
FREIN 8
Faible transversalité dans la gestion des projets (Big) data
FREIN 7
Analyse de la data - les données collectées sous-exploitées
FREIN 2
Collecte de la data limitée aux canaux et données traditionnels
34 | (Big) data : où en sont les entreprises françaises ?
35. Les leviers d'action
••Évaluer le patrimoine data de l'entreprise
••Qualifier les besoins et enjeux de l'entreprise
••Recruter des profils de type data scientist
•• Privilégier une approche par étape en adoptant des plateformes fiables et largement utilisées
(ex. : outils e t plateformes ouvertes telles que Hadoop ou R )
•• Identifier les corrélations entre les data internes et externes à l'entreprise
•• Identifier les process de calcul clés et mettre en place des algorithmes spécifiques Big data pour
paralléliser les temps de calcul
Agile analytics program
•• Développer conjointement des pilotes (PoC) avec les opérationnels pour fiabiliser ces projets
et baisser significativement leur temps de développement
•• Prioriser les développements des PoC via un cadrage stratégique des enjeux et opportunités
identifiés
••Diffuser la culture data en interne via une double impulsion top-down et bottom-up
••Mettre les collaborateurs/experts sur des arbitrages complexes nécessitant une forte expertise
et favoriser ainsi les gains de productivité et l'innovation
La confiance by design
••Prise en compte en amont des risques techniques, juridiques et réputationnels
••Prise en compte de la réglementation et des bonnes pratiques en amont de tout projet Big data
••Transparence sur l'utilisation de la data, a fortiori la data personnelle
Quelle maturité dans l'exploitation des données clients ? | 35
37. Étude de cas n° 1
Lancement d'une série de projets "proofs of value" ayant pour objectif
d'accélérer le time to market pour les nouveaux produits
Quelle maturité dans l'exploitation des données clients ? | 37
Secteur
Distribution et Produits de Grande Consommation
Problématique client
Besoin de compétences métiers et techniques pour
accompagner la mise en place d’un service de conception
assistée et du développement des opportunités retenues pour
les acteurs de l’entité recherche d’un groupe international de
produits de grande distribution
Contact EY
David Naïm
Associé, Ernst & Young Advisory
Responsable du pôle Stratégie, Marketing et Innovation
david.naim@fr.ey.com
Accompagnement EY
EY a travaillé avec différentes directions du groupe :
• Métiers (Développement des nouveaux produits, Sécurité,
Gestion, Pré-industrialisation, Évaluation in vitro…) afin
d’anticiper les besoins des utilisateurs finaux (B2B)
• DSI sur la définition de l’architecture de la plateforme
notamment :
-- Choix des briques logicielles en particulier Open Source
-- Choix et installation de la base Hadoop et de son éco-système
-- Mise en place d’une solution de stockage dans le Cloud
alimentant, via une liaison sécurisée, une base Hadoop
interne
-- Anticipation de l’intégration des flux issus des
instruments connectés
-- Préparation de l’industrialisation des proofs of concepts
(PoC) développés et validés (Sandbox)
-- Connexion aux bases de données de l’entreprise
• DAF sur l’évaluation la valeur attendue et le ROI des proofs
of value (PoV)
EY a ainsi contribué au développement des PoC de plusieurs
opportunités de valeur (PoV).
Valeur ajoutée pour le client
Mise en oeuvre de plusieurs proofs of value (PoV) ayant démontré une forte valeur ajoutée :
• Très forte réduction du temps de développement des nouveaux produits et donc du Time to Market
• Par l’exploitation de l’historique de résultats d’essais de l’entité et la mise en place d’une méthodologie d’essais
virtuels, les experts de la sécurité produits peuvent éviter la commande d’essais longs et bloquants : le temps de
développement du produit est diminué de plus de 6 semaines !
38. Étude de cas n° 2
Valorisation du patrimoine data de l'entreprise
Secteur
Technologies, Médias, Télécoms
Problématique client
Meilleure connaissance de ses clients et de ses publics dans le
cadre de la transformation digitale du groupe
Contact EY
Vincent Placer
Directeur exécutif, Ernst & Young Advisory
Stratégie Marketing Innovation - Business Analytics
vincent.placer@fr.ey.com
38 | (Big) data : où en sont les entreprises françaises ?
Accompagnement EY
• Construction d’une stratégie et d’un plan d’action data
pour optimiser et valoriser l’actif data
• Recommandations sur l’organisation et la gouvernance
pour une exploitation transverse de la data
• Recommandations sur les marchés porteurs,
les segmentations de marché et les innovations en termes
d’offre de services
• Support aux équipes marketing et ventes
Valeur ajoutée pour le client
• Construction d’une vision client unifiée
• Définition des axes de valorisation du patrimoine data et des priorités
• Identification du portefeuille de projets et proofs of value à lancer
39. Étude de cas n° 3
Lancement et animation d'un programme global "Agile Analytics"
Quelle maturité dans l'exploitation des données clients ? | 39
Secteur
Sciences de la vie
Problématique client
Incapacité à exploiter pleinement la multitude de ses
données (données expérimentales, données sur l’activité de
distribution des médicaments dans le monde, données clients,
données des professionnels de santé, etc.)
Contact EY
Karim Ben Djemiaa
Directeur exécutif, Ernst & Young Advisory
Stratégie, Marketing et Innovation - Data Analytics
karim.ben.djemiaa@fr.ey.com
Accompagnement EY
• Mise en place du projet en partenariat avec notre client
• Nous avons effectué un diagnostic maturité data du client
et défini un portefeuille de 45 projets valorisés (PoV*)
impliquant différents métiers de l’entreprise (finance, client,
ressources humaines, fiscalité, supply chain, audit interne,
etc.)
• Chaque projet a été le fruit d’une consultation en interne,
d’entretiens métiers et de groupes de travail impliquant
l'ensemble des directions opérationnelles, à différents
échelons
• L'avancée de chaque projet a été supervisée par un chef de
projet unique garant de la tenue des délais
Valeur ajoutée pour le client
• Identification d'opportunités métiers à hauteur de plusieurs centaines de millions d’euros à horizon 3 à 5 ans
• 30 millions d’euros de gains dès la première année
• Ébauche d'une nouvelle organisation de l'entreprise autour de la data
• Gains de productivité pour les équipes de notre client
* Les PoV sont des PoC (proofs of concept) associés à des études d'impact pour évaluer leur ROI
40. Étude de cas n° 4
Garantir le même niveau de protection des données personnelles
quelle que soit leur localisation géographique
Secteur
Services aux entreprises
Problématique client
• Manque de confiance de ses partenaires/clients
• Les données RH et paie de ses clients sont pour partie
traitées en dehors de l’UE (Tunisie, Maroc et à terme Inde),
ce qui dissuadait les sociétés européennes de lui confier la
paie ou la gestion RH de ses clients
Contact EY
Fabrice Naftalski
Associé, Ernst & Young Société d'Avocats
Responsable EMEIA des activités Droit des Technologies de l'information
fabrice.naftalski@ey-avocats.com
40 | (Big) data : où en sont les entreprises françaises ?
Accompagnement EY
• Rédaction et obtention des premières BCR* "data
processor" approuvées en Europe dans le cadre de la
procédure de reconnaissance mutuelle avec la CNIL comme
chef de file (et les autorités espagnoles et allemandes en
co-instructeurs)
* BCR : Binding Corporate Rules
Valeur ajoutée pour le client
• Garantir le même niveau de sécurité juridique quelle
que soit la localisation des données personnelles
traitées pour le compte de ses clients (i.e. assurer au
client que ses données bénéficient du même niveau
de protection juridique que celui prévu par la directive
européenne en matière de protection des données)
• Avantage par rapport à ses concurrents
internationaux dont une partie des activités sont
pilotées hors d’Europe
• Confiance accrue de la part de ses clients européens
• Conformité des traitements de données paie à
l'international
41. Étude de cas n° 5
Sécurisation juridique du lancement et du déploiement de services Big data
Quelle maturité dans l'exploitation des données clients ? | 41
Secteur
Technologies, Médias, Télécoms
Problématique client
Sécurisation et conformité d’un nouveau service de
croisement de certaines données RH de ses clients avec des
données publiques disponibles sur internet (ex. : réseaux
sociaux, blogs, sites internet personnels, politiques ou
syndicaux, etc.)
Contact EY
Fabrice Naftalski
Associé, Ernst & Young Société d'Avocats
Responsable EMEIA des activités Droit des Technologies de l'information
fabrice.naftalski@ey-avocats.com
Accompagnement EY
• Sécurisation du service dans sa protection juridique
• Sécurisation du déploiement du service (protection de la vie
privée, droit du travail…)
• Analyse des modes de protection disponibles en France
pour ce nouveau service et des méthodes et/ou moyens mis
en oeuvre à cet effet
• Sécurisation juridique des conditions de présentation
et de lancement de ce service
Valeur ajoutée pour le client
• Sécuriser le lancement et le déploiement de services autour de Big data
• Pérenniser la position de leadership du client
• Optimiser la protection des actifs incorporels du client (propriété intellectuelle, savoir-faire...)
42. Note méthodologique
Nous avons mené une enquête terrain auprès de 152
entreprises françaises, avec des effectifs compris entre 500
et 2 000 personnes, sur la base d’un questionnaire administré
par téléphone auprès de directeurs généraux, marketing,
systèmes d'informations, financiers, relation clients et CRM.
Ces entreprises appartiennent à 5 secteurs d’activité : TMT
(Technologies, Médias, Télécoms), Distribution et produits de
grande consommation, Transport et Automobile, Services
financiers, Santé.
En parallèle de cette enquête quantitative, 12 entretiens
qualitatifs ont été conduits auprès d’entreprises appartenant
aux secteurs couverts.
En outre, nous avons construit notre Indice EY de Maturité
Data sur la base de 10 variables auxquelles nous avons
affecté une note allant de –2 à +2 pour chaque entreprise
de notre panel.
Les scores permettent de capturer le degré d’avancement
effectif sur chacune des variables. L’ensemble des notes
obtenues par entreprise a été additionné pour en tirer
3 groupes statistiques qui traduisent le niveau global de
maturité de chaque entreprise.
Construction de l'Indice EY de Maturité Data
L’indice de maturité agrège les réponses à 10 questions
factuelles portant sur l'état des lieux de la collecte et
de l'analyse de la data (volume, diversité, profil, etc.), la
gouvernance et l'implication des métiers, la finalité des
modèles analytiques et la prise en compte des enjeux de
sécurisation de la data. L’ensemble des modalités de réponses
a été codé avec une échelle centrée allant de -2 à 2 en
fonction du niveau de maturité estimé par les experts EY.
Les réponses de chaque répondant ont ainsi permis de donner
une note brute allant de -20 à 20. Les entreprises dont la note
est négative ont été qualifiées de non matures, celles dont
les notes allait de 0 à 9 ont été qualifiées de peu matures, et
celles obtenant plus de 10 points ont été qualifiées de très
matures.
42 | (Big) data : où en sont les entreprises françaises ?
Pourquoi avoir centré notre analyse
sur les données clients ?
Parmi la quantité de données disponibles, les données
clients sont celles qui sont, selon nous, directement liées à
la croissance du chiffre d’affaires et au développement de
l’activité. Ce sont elles qui disposent, à moyen terme, du plus
gros potentiel en termes d’amélioration de la performance
commerciale des entreprises et de leur diversification vers de
nouveaux métiers ou marchés. Ce qui ne signifie pas que les
données autres, telles que la consommation énergétique des
bâtiments, ne puissent pas être source de profitabilité non
négligeable.
Abréviations
CAPEX Capital Expenditure
KPI Key Performance Indicator
OPEX Operating Expenditure
PoC Proof of concept. L'expression désigne des projets
pilotes déployés rapidement pour démontrer la
faisabilité d'une opportunité
PoV Proof of value. L'expression désigne des projets
pilotes (PoC) auxquels sont associées des études
d'impact pour évaluer leur rentabilité avec leur
généralisation (phase d'industrialisation)
ROI Return on Investment