Les 1er et 2 avril derniers se tenait la 3ème édition du salon Big Data Paris, avec nombre de retours d’expérience et de conférences adressant les non-techniciens d’entre nous, et même une série d’interventions dédiée aux usages en marketing.
Que les « big data » soient une vraie nouveauté ou un bon concept marketing qui permette au sujet d’émerger différemment dans l’espace de discussion et l’intérêt qu’il suscite auprès des entreprises, une chose est sûre néanmoins: c’est un sujet désormais démocratisé, à la portée d’un grand nombre d’entreprises même petites, avec des applications très variées où l’imagination risque plus souvent d’être la ressource manquante que la donnée ou la technologie…
En voici pour preuve les différents retours d’expérience recueillis au cours de la première journée à laquelle j’ai participé :
1. Présentation Tata Consulting Services (ci-dessous)
2. Présentation Cap Gemini
3. Keynote Doug Cutting, Cloudera & co-fondateur d’Hadoop
4. Présentation de Christophe Benavent (Université Paris Ouest)
5. Amadeus Leisure Group
6. Renault et Access France
7. Vega France et Coheris
8. SFR et Sinequa
——————————————————————-
1. Présentation Tata Consulting Services :
par Elodie Solirenne, avant-vente Big Data TCS
Deux parties intéressantes dans la présentation de TCS, une première résumant les enseignements d’une étude internationale réalisée par TCS en 2013 auprès des entreprises sur les usages Big Data, et une seconde partageant les retours d’expérience de TCS dans le pilotage de projets Big Data.
Pour situer l’envergure de TCS, c’est une société employant 290 000 personnes dans le monde aujourd’hui, principalement en Inde mais avec 1400 personnes en France. Plus de 800 personnes dans le monde sont certifiées sur des technologies Big Data, et plus d’une cinquantaine de projets Big Data ont déjà été réalisés ou sont en cours auprès de TCS.
> The Emerging Big Returns on Big Data :
Comment les entreprises investissent-elles le sujet et quel ROI en retirent-elles ?
En 2013, TCS a réalisé une étude auprès de 1217 entreprises dans 9 pays différents, pour investiguer cette question. Les enseignements-clés retirés sont :
1. Parmi les entreprises étudiées, un peu plus de la moitié (643) avait lancé des projets Big Data en 2012, et 43% en attendaient un ROI supérieur à 25%. Environ un quart en attendait un ROI négatif ou ne savait pas ce qu’il en retournait.
(Définition du ROI utilisée = ((Gains issus de l’investissement – Coût de l’investissement)/Coût de l’investissement)x100)
2. Il y a une polarisation des dépenses de Big Data, avec une minorité d’entreprises dépensant de très grosses sommes sur le sujet, et une majorité faisant des investissements réduits.
Environ 15% des entreprises étudiées avaient dépensé 100 Mio $ chacune sur ce sujet, et 7% avaient investi plus de 500 Mio $. A l’inverse, environ un quart avait dépensé moins de 2,5 Mio $ sur le sujet. Les secteurs investissant le plus sont les télécom, les transports/voyages, l’industrie high-tech, et les banques. Les secteurs investissant le moins sont le retail, les sciences de la vie, et l’énergie.
3. Les investissements ont pour objectif de développer ou de maintenir les revenus.
55% des investissements sont associés aux 4 fonctions principales associés au revenu dans les entreprises : les ventes (15,2%), le marketing (15%), le service client (13,3%) et la R&D/développement de nouveaux produits (11,3%).
Moins d’un quart (24%) des investissements vont aux fonctions support : IT (11,1%), Finance (7,7%) et RH (5%).
4. Par contre, les métiers en entreprise attendant le plus de ROI du Big Data ne sont pas ceux qu’on imaginerait plus naturellement. Car même si les ventes et le marketing ont la plus grande part du budget Big Data, ce sont les fonctions Logistique et Finance qui attendaient le plus gros ROI de leurs investissements Big Data.
5. Les défis les plus importants pour produire de la valeur pour l’entreprise avec le Big Data sont autant culturels que technologiques.
Sur une liste de 16 défis proposés, le défi organisationnel fut classé en haut de la liste : obtenir des différents départements et business units de l’entreprise le partage de l’information en cassant l’organisation en silos.
Le défi technologique suit de près : la capacité de gérer les « 3V » du Big Data : Volume, Vélocité et Variété.
Le troisième défi considéré le plus important étant quelles données utiliser pour quelle prise de décision.
6. Environ la moitié des données (51%) est structurée, le reste est non structuré ou semi-structuré. L’utilisation importante de données non structurées est remarquable étant donné leur quasi absence des entreprises il y a encore quelques années.
Par ailleurs, environ 70% des données est d’origine interne. Mais l’utilisation de données externes et non structurées a d’autres impacts : les entreprises attendant le plus de ROI du Big Data utilisent davantage ces dernières que les autres.
7. Les entreprises ayant obtenu le plus de ROI de leurs projets Big Data initiés en 2012 l’ont obtenu dans des dimensions de l’activité que les sociétés plus à la traîne ne valorisent pas autant. Pour faire l’analogie avec les chercheurs d’or : les leaders cherchent de l’or à différents endroits, principalement dans le marketing, les ventes et le service. Les 2 activités d’investissement différentié entre les leaders et les autres sont : l’amélioration de l’expérience physique d’achat des consommateurs, et le marketing géolocalisé. Les leaders voient aussi plus d’intérêt au Big Data dans le dimensionnement et la structuration des territoires de vente, ainsi que dans le monitoring des usages de leurs produits dans le but d’améliorer la fabrication ou le design.
8. Les entreprises plus actives sur Internet dépensent beaucoup plus sur le Big Data et en attendent un ROI plus important.
Les sociétés générant plus de 75% de leurs revenus d’Internet dépensent environ 6 fois plus sur le Big Data que les entreprises faisant moins de 25% de leur activité sur le Net, et en attendent un ROI 3 fois plus important. D’autant plus que les sociétés tournées vers Internet récoltent une profondeur de données comportementales sur leurs consommateurs en ligne leur donnant des avantages concurrentiels certains dans le développement de nouveaux produits et services, comme par exemple Procter & Gamble ou Netflix.
9. La compréhension des usages des produits par les consommateurs est considéré comme une application essentielle du Big Data, principalement pour les grands industriels, dans le but de détecter les erreurs de fabrication et de design.
10. La constitution d’une unité d’analystes Big Data dédiés semble un facteur important de succès. Les entreprises attendant le plus de ROI de leurs projets Big Data avaient plus souvent que les autres un département dédié et constitué de professionnels.
D’autres enseignements émergent également de l’étude, caractérisant les régions géographiques ou les secteurs d’activité :
– Les Etats-Unis sont en avance sur le reste du monde, avec une dépense médiane par entreprise de 10 Mio $, et 80% ayant déjà amélioré la qualité de leurs décisions.
– Peu d’entreprises vendent leurs données, même si le revenu associé est important.
– Secteurs d’activité :
> Les sociétés de Télécom, Transports/Voyages, High Tech et services financiers dépensent le plus.
> Les sociétés de services et d’énergie attendent le ROI le plus important.
> Les sociétés de médias utilisent le plus de données non structurées.
> Les sociétés de Télécom et de services sont les plus disposées à vendre leurs données.
Les 9 cas d’usage les plus pertinents selon TCS sont, basés sur leurs expériences :
1. Amélioration des performances ETL (Extract, Transform, Load) = amélioration du traitement des données
> Challenge : technique
> ROI : coût de la préparation des données réduit de 70%, traitements réduits de 80%
2. Détection de la fraude
> Challenge : text analytics, analyse de données non structurées pour un assureur auto aux US (rapports de police, rapports médicaux, rapports d’experts, réclamations de call centers traitées avec du « speech to text »…)
> ROI : approche complémentaire aux règles métier existantes. A permis d’identifier 100% du top 10 des réclamations frauduleuses qui n’avaient pas été identifiées avec les méthodes existantes.
3. Aperçu global du client : vision 360°
> Challenge : multi-canal (agent, portail, centre d’appels, email, réseaux sociaux, mobile…)
> ROI : vue consolidée du client, communication coordonnée et unifiée
4. Optimisation du centre d’appels
> Challenge : recoupement des To de données d’archives d’appels (post call) pour un opérateur US
> ROI : optimisation du site web, avec une réduction de 30% des appels au centre de contacts et une meilleure optimisation de la charge de travail
5. Télématique et Internet des objets :
> Challenge : données semi-structurées
> ROI : Analytics descriptives > prévisionnelles > prescriptives
6. Ventes croisées et incitatives (Retail, centres d’appels…)
7. Analyse des sentiments (voix…) :
> ROI : augmentation de la satisfaction client
8. Apport des réseaux sociaux pour concevoir de nouveaux services :
> Ecouter la « voix du client » et établir son profil pour développer la fidélité, les récompenses virtuelles…
9. Recherche non structurée :
> Permet d’identifier des pistes pour de nouveaux modèles économiques
Quels sont les challenges à relever pour des projets Big Data ?
D’après TCS, le plus gros challenge et de loin, est le challenge organisationnel et culturel au sein des entreprises, pas le challenge technique qui ne vient qu’en second.
> Organisationnel et culturel :
– Comment je passe en mode « data-driven » ? Quid de la transparence ? Comment casser les silos ? Comment mettre en place une organisation transverse ?
>> Nécessité d’établir un niveau de confiance élevé entre responsables fonctionnels et data scientists.
>> Déterminer quelle donnée (structurée/non-structurée, interne/externe) utiliser pour les différentes divisions métier.
– Amener les BU à partager l’info à travers les silos organisationnels.
– Déterminer que faire avec les informations pertinentes ou insights obtenus avec le big data.
> Technique :
Capacité à gérer le large volume, la vélocité et la variété des données.
Comment démarrer un projet Big Data ?
– Commencer par un PoC (Proof of Concept) avant déploiement
– Avec un vrai cas d’utilisation, une vraie valeur métier, MAIS sur un petit périmètre
– Avec une plateforme et une architecture des données, MAIS avec un petit investissement
– Avec des sponsors et le support de la hiérarchie, MAIS avec une petite équipe
– En faisant collaborer IT et Métiers, MAIS sur une durée courte
– Mettre l’accent sur la gestion des données, en allant étape par étape vers le succès
– Réévaluer et déployer