Vous êtes sur la page 1sur 44

(Big) data : o en sont

les entreprises franaises ?


Quelle maturit dans l'exploitation des donnes clients?

Avant-propos
(Big) data: difficile dchapper cette dferlante depuis quelques annes et, avec elle,
au flot de thories, analyses et commentaires sur ses promesses en termes defficacit,
de performance et dopportunits de dveloppement de nouvelles offres et services cibls.
Si tout le monde semble stre empar du sujet, des plus sceptiques, qui y voient une nouvelle
bulle prte faire pschitt, ceux pour qui il sagit dun vritable big bang du mme ordre
que les prcdentes rvolutions industrielles force est de constater qu ce jour, la rvolution
Big data ne sest gure propage au-del des modles conomiques des grands acteurs
globaux du digital.
Les rsultats de cette enqute, mene auprs de plus de 150 entreprises franaises, rvlent
quen dpit dune perception majoritairement positive, le Big data bang na pas encore
eu lieu dans la ralit. Cest ce que nous enseigne le passage au scanner de notre Indice
EY de Maturit Data, spcialement conu dans le cadre de cette tude: seule une minorit
dentreprises peut se targuer dune maturit leve dans son exploitation de la data, tandis que
la majorit adopte une posture attentiste, sans vritablement savoir par quel bout prendre un
concept devenu flou.
Si ce retard sexplique par dix principaux freins dordre psychologique, stratgique,
organisationnel ou technologique, que nous avons identifis tout au long de la chane de valeur
de lexploitation (Big) data de la collecte la scurit et la protection des donnes,
en passant par lanalyse et la stratgie globale de lentreprise il peut toutefois tre rattrap
si lexploitation (Big) data est intgre dans une stratgie et une vision globales.
En effet, l'exploitation (Big) data n'est pas tant un problme technique qu'un sujet de
transformation des organisations et de leurs modles conomiques. Elle relve de la capacit
convertir la data en connaissances, en innovation et en valeur pour les organisations.
Bruno Perrin

David Nam

Associ
Ernst & Young et Associs
Responsable du secteur
Technologies, Mdias, Tlcoms

Associ
Ernst & Young Advisory
Responsable du ple
Stratgie, Marketing et Innovation

(Big) data : o en sont les entreprises franaises?

Sommaire
Quelques enjeux chiffrs de la (Big) data

I/ Les entreprises franaises l'preuve de l'Indice EY de Maturit Data

Exploitation de la data: quelle maturit pour les entreprises franaises?

Palmars des secteurs les plus matures

Exploitation de la (Big) data : des opportunits saisir pour tous les secteurs d'activit

10

II/ Exploitation de la (Big) data: 10 freins identifis

12

La collecte de donnes clientsencore sous-exploite

13

Le traitement et l'analyse des donnes clients: des capacits inadaptes

15

La data non perue comme un support aux dcisions stratgiques

22

Vie prive et scurit: des enjeux encore sous-estims

24

III/ Dployer une stratgie (Big) data efficace: les leviers d'action

26

La rvolution (Big) data na pas encore eu lieu

27

Stratgie (Big) data: deux approches coexistent actuellement

29

Facteurs cls de succs du dploiement dune stratgie (Big) data

30

Exploitation (Big) data: des freins aux leviers d'action

34

tudes de cas

36

Note mthodologique et abrviations

42

Quelle maturit dans l'exploitation des donnes clients? | 3

Quelques enjeux chiffrs de la (Big) data


Big data

FREIN 6

43%

18%

des entreprises ont tudi

des entreprises ont des plans d'action

l'opportunit Big data

Big data en cours de dploiement

FREIN 2

FREIN 1

Collecte de la data

Analyse de la data

Limite aux canaux traditionnels

Donnes non structures, le maillon faible

45%

45%

des entreprises estiment


leurs donnes clients insuffisamment
analyses/exploites

des entreprises
collectent des donnes
texte non structures3

FREIN 9

FREIN 10

Protection et scurisation de la data


Triple enjeu de confiance, de fiabilit et de rputation

30%

des entreprises ne se sentent pas


concernes par les enjeux de vie
prive (privacy)

FREIN 7

4 |

FREIN 8

70%
des consommateurs
sont rticents partager
leurs donnes personnelles

59%

des entreprises6 estiment


que les menaces externes
sur les Systmes d'information
sont en hausse

Transversalit et implication de la direction gnrale: des impratifs


tout au long du cycle de la data

(Big) data : o en sont les entreprises franaises?

Source : EY

Indice EY de Maturit Data1

17%
d'entreprises trs matures
dans l'exploitation des donnes clients

FREIN 3

FREIN 4

Manque de comptences analytiques

Carence des outils de traitement


des donnes non structures

Traitement et exploitation de la data

moins de

27%

10

des entreprises ont mis en place des outils/


process pour fiabiliser/exploiter
les donnes non structures

profils data5
par entreprise

FREIN 6

FREIN 5

L'absence de mesure du ROIpeine


dclencher les investissements

Analyse de la data (trop) peu oriente


vers le temps rel et le prdictif

ROI des projets data

Utilisation de la data

58%

10%

des entreprises n'ont pas cherch


quantifier le ROI des investissements
Big data

des entreprises font


de l'analyse prdictive

1 Cf. note mthodologique p.42


2 Ce pourcentage monte 79% si on intgre les donnes issues des images ou vidos et 84% si on intgre les donnes sonores (enregistrements vocaux, musique, etc.)
3 Donnes non structures : informations et contenus en provenance des emails, SMS, logs, avis clients, rseaux sociaux, vidos, etc.
4 Data miner, data manager, data scientist, etc.
5 Pour 70% de notre panel d'entreprises (cf. note mthodologique p.42)
6 Entreprises interroges dans l'tude EY mondiale "Under cyber Attack - EY's Global Information Security Survey 2013"

Quelle maturit dans l'exploitation des donnes clients? | 5

I/ Les entreprises franaises l'preuve


de l'Indice EY de Maturit Data

6 |

(Big) data : o en sont les entreprises franaises?

Aprs la comptition entre les rseaux (Tlcoms


et Technologies) et les contenus (Mdias), la bataille
s'articule dsormais autour de la data et s'tend
l'ensemble des dtenteurs de donnes (publiques
ou prives).
Bruno Perrin
Associ - Ernst & Young et Associs - Responsable du secteur Technologies, Mdias, Tlcoms

Exploitation de la data:
quelle maturit pour les entreprises franaises?
Afin de mesurer lavancement des entreprises en matire
dexploitation de leurs donnes clients, EY a construit lIndice
de Maturit Data. En savoir plus p. 42

LIndice EY de Maturit Data a rvl que les entreprises les


plus matures en matire dexploitation des donnes clients se
distinguent par les critres suivants :

Cet indice agrge des comportements et faits constats


auprs des entreprises interroges, et non leurs dclarations
d'intention. Le passage au rvlateur de cet indice de
maturit tablit un fort dcalage entre le buzz que gnre
le concept flou du Big data et la ralit de la maturit des
grandes entreprises.

Anticipation des enjeux stratgiques lis une meilleure


utilisation des donnes internes et externes;

Certes, les entreprises franaises utilisent bien la data pour


mesurer et comprendre leur activit et lenvironnement
dans lequel elles voluent, mais cette exploitation de la
data est encore loin dtre systmatique en ce qui concerne
lanalyse fine des comportements de leurs consommateurs
et les corrlations sous-jacentes, et encore moins en matire
danticipation et de prdiction.

Indice EY de Maturit Data des entreprises

Diversit des donnes collectes et des canaux de collecte;


Constitution dquipes de data scientists et autres experts
data;
Adoption de nouvelles technologies dexploitation de la
data;
Prise en compte des enjeux de protection de la vie prive
et des donnes caractre personnel (privacy) dans
lexploitation des donnes clients;
Anticipation du risque rputationnel.

Parmi les entreprises trs matures


Transports

Non matures

Trs matures

56 %

Grande
consommation
et distribution

9%
20 %

17 %

42 %
27 %

29 %
Peu matures

Autres
secteurs

TMT*
* Technologies, Mdias, Tlcoms

Quelle maturit dans l'exploitation des donnes clients? | 7

Palmars des secteurs les plus matures


Les deux secteurs les plus matures dans lexploitation de la data sont les TMT (Technologies,
Mdias, Tlcoms) ainsi que celui de la distribution et des produits de grande consommation.
Un rsultat gure surprenant dans des industries o la data est le pilier historique de la
connaissance client et des stratgies de segmentation marketing associes.

Secteur des TMT


Le secteur des TMT est caractris par la quantit
colossale (amplifie avec lInternet des objets/
objets connects) de data disponibles dans les
systmes dinformation.

Collecte des donnes


En matire de remonte des donnes issues des
rseaux sociaux ou de lopen data, les TMT sont en
deuxime position derrire la grande distribution.
Elles reprsentent le tiers des entreprises du panel
collectant des donnes sociales et le quart de
celles ayant recours lopen data.

8 |

(Big) data : o en sont les entreprises franaises?

Stratgie (Big) data


Pour les entreprises de rseaux notamment,
lexploitation de la data permet une optimisation
indite du business (possibilit de prvenir les
dfaillances rseaux, interruptions de services,
rsiliations dabonnement), le dveloppement
de services intelligents et la valorisation de
donnes auprs de tiers. Sur ce dernier point,
titre dexemple, les trois plus grands oprateurs
de tlcoms de Grande-Bretagne ont constitu
une socit commune, Weve, pour vendre
des annonceurs les donnes (anonymises)
de leurs clients (donnes dachat, donnes de
golocalisation, donnes Internet).

Dans les mdias, les modles analytiques vise prdictive


sont dj largement utiliss. Les recommandations de sites
dachats de biens et services culturels en ligne, tels que Netflix
ou Amazon, reposent sur des modles capables de prvoir ce
quun individu serait en mesure dapprcier au regard de ses
achats antrieurs, mais aussi dachats similaires effectus par
dautres consommateurs, afin de lui proposer des produits en
consquence. Ces sites sont emblmatiques de la capacit
formuler des recommandations pertinentes des audiences/
cibles potentielles sur la base dune analyse pousse de la
data.

Protection et scurit
Les TMT sont au mme niveau de maturit que la grande
distribution pour la mise place des process internes de
fiabilisation des donnes non structures, soit le tiers des
entreprises concernes. Les TMT constituent la deuxime
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, lexploitation
(Big) data rpond trois enjeux oprationnels majeurs: la
relation dengagement avec le client final, la performance
oprationnelle et la qualit et la cohrence des donnes
remontes par lensemble des entits du groupe (franchises et
autres filiales).

Collecte des donnes


Les entreprises du secteur de la grande distribution sont
celles qui remontent davantage de donnes des rseaux
sociaux (plus du tiers des entreprises concernes), lments
cls pour connatre les parcours clients.

Outils et ressources
Cest dans la grande distribution que les ressources humaines
et informatiques (logiciels statistiques, solutions de
visualisation) ddies lanalyse des donnes sont les plus
nombreuses. La moiti des entreprises du panel EY dclarant
avoir recrut des experts data (data manager, data miner ou
data scientist) appartient au secteur de la grande distribution.

Stratgie (Big) data


Lamlioration de la performance commerciale est la
premire raison invoque par les entreprises du secteur, suivie
de trs prs par l'amlioration de la connaissance client.
En effet, la data est prcieuse pour nouer une relation
dengagement avec le client final, tre 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
(golocalisation) et, au-del, laborer des modles prdictifs
qui visent garder une longueur davance. Cest dailleurs la
premire attente relative la mise en place dune stratgie
(Big) data dans le secteur de la distribution et des produits de
grande consommation.

Protection et scurit
La grande distribution est le secteur le plus mature en
termes de mise en place des process internes de fiabilisation
des donnes non structures, soit le tiers des entreprises
concernes. Cest aussi lindustrie o la sensibilisation aux
aspects de privacy est la plus affirme: une entreprise
sur trois considrant quil existe des enjeux de vie prive
dans lexploitation de la data appartient au secteur de la
distribution et des produits de grande consommation.

Quelle maturit dans l'exploitation des donnes clients? | 9

Exploitation de la (Big) data : des opportunits


saisir pour tous les secteurs d'activit
Secteur des transports
Avec la constitution de communauts o le partage de
donnes s'organise, le comportement du voyageur qui a
aujourd'hui un mode de consommation nomade et mobile
est dsormais trac en temps rel pour lui permettre de
trouver le service rpondant ses besoins l'endroit o
il se trouve grce une analyse prdictive de ses

Le Big data est le nouveau carburant de la voiture


connecte, et demain autonome, quil sagisse de son
insertion dans un systme de mobilit intermodal, de services
facturs lusage (ex. : assurance), de la surveillance de son
fonctionnement en continu ou du renforcement de la relation
directe entre constructeurs

dplacements.

et utilisateurs.

Christine Vitrac

Jean-Franois Blorgey

Associe - Ernst & Young et Associs - Responsable du secteur Transport en France

Associ - Ernst & Young et Associs - Responsable du secteur Automobile en France

Secteur de la distribution et des produits de grande consommation


Trs tt, les secteurs Retail & Consumer Products ont dvelopp une forte culture de la donne client: la distribution via la
fidlisation, les industriels via les tudes marketing, les panels, le gomarketing, les analyses sensorielles. Les pure players du
e-commerce sont par ailleurs lorigine des avances les plus significatives dans le domaine de lexploitation business des
donnes clients, en parvenant crer les nouveaux standards dexcellence de lexprience client grce des ciblages trs
personnaliss, des moteurs de recommandations, ou encore des mcaniques de promotions trs labores. Le Big data
reprsente ce titre un vritable dfi pour les acteurs plus traditionnels, auquel sajoute celui de la scurit et de la protection
des donnes personnelles, fondements de la confiance du consommateur.
David Nam
Associ - Ernst & Young Advisory - Responsable du ple Stratgie, Marketing et Innovation

Secteur de lnergie et des utilities


Le secteur de lnergie est laube dune profonde mutation porte par la data, avec en particulier le dploiement
programm des compteurs intelligents. Le Big data est un des leviers majeurs qui permet de rendre les rseaux plus intelligents
et plus srs, et cela au moindre cot, tout en rpondant aux enjeux de la transition nergtique. Les donnes sont un lment
stratgique pour assurer une meilleure matrise de la demande dnergie (eau, gaz, lectricit) tant lchelle nationale que
locale (smart cities), mais aussi ouvrir plus largement le march et enfin accompagner lmergence de nouveaux usages.
Mohamed Larabi
Associ - Ernst & Young Advisory

10 |

(Big) data : o en sont les entreprises franaises?

Secteur des services financiers le march de lassurance


Big data et enjeux de lassurance connecte
Le traitement de donnes massives et la construction dindicateurs multiples sont au cur mme du mtier dassureur et ont
pour objectif de comprendre et dvaluer les risques pour gnrer des souscriptions.
Nos clients des services financiers ont conscience que la capacit exploiter et protger ces donnes (donnes internes
combines aux donnes issues des rseaux sociaux, des dclarations de sinistres, des centres dappel, des suivis de campagnes
marketing, des agrgateurs de donnes web, des donnes personnelles [anonymises], de lopen data, etc.) est cl pour relever
les nouveaux dfis qui se posent leur mtier et leur organisation:
De la matrise la prvention des risques (ex. : fraude) grce aux modles prdictifs
Une connaissance prcise des habitudes des clients connects (alimentaires, sportives, professionnelles, culturelles)
qui savrera plus efficace que les questionnaires de sant pour une relation de proximit et de conseil. Cette meilleure
connaissance permettra de dvelopper de nouvelles mthodes de segmentation et de tarification, d'optimiser le nombre de
produits dassurance par client, mais aussi un meilleur retour sur investissement des politiques commerciales (campagnes
publicitaires, dmarchage commercial, messages de prvention cibls )
Loptimisation de lallocation du capital
La confiance des clients au regard de lutilisation de leurs donnes personnelles, vecteur de la rputation de
ltablissement.
Pierre Borg
Directeur excutif - Ernst & Young Advisory

Secteur des sciences de la vie


Le Big data gnre de formidables opportunits tout au long de la chane de valeur de la sant
Dans un contexte marqu par le patent cliff et la rduction des dpenses publiques de sant, auxquels sajoute le
durcissement des normes de sant, la recherche et les essais cliniques, peuvent tre optimiss grce une analyse de donnes
plus efficace. La consommation de mdicaments et les approvisionnements associs peuvent tre calculs en temps rel et en
prdictif en combinant des donnes internes et externes. Les efforts commerciaux et marketing peuvent tre aligns en temps
rel grce de meilleurs outils de reporting et danalyse des attentes des patients (ex. : en coutant les mdias sociaux).
Lindustrie des sciences de la vie est alors amene rinventer son modle conomique en prenant part la coordination dun
parcours de soin centr sur le patient, avec la cl la cration de nouvelles filires dexcellence, sources de croissance pour
lavenir (ex. : monitoring ou visites mdicales distance), et cela afin dapporter une rponse de plus en plus individuelle aux
patients, mais aussi aux professionnels de sant, aux clients et aux payeurs.
Cdric Foray
Associ - Ernst & Young Advisory

11
Quelle maturit dans l'exploitation des donnes clients? ||11

II/ Exploitation de la (Big) data:


10 freins identifis

12 |

(Big) data : o en sont les entreprises franaises?

La collecte de donnes clients:


les canaux digitaux sous-exploits
Frein n1- La collecte de la data encore
largement limite aux canaux traditionnels
Les donnes collectes par les entreprises pour renforcer leur
connaissance client et dployer des stratgie marketing en
consquence proviennent trs majoritairement des systmes
traditionnels de facturation pour 84% des entreprises de
notre panel, et doutils CRM pour 66%.
Un constat dautant plus surprenant que les donnes non
structures constituent, l're digitale, la plus grande partie
des donnes mises et partages travers le monde. Chaque
minute, 208 300 photos sont publies sur Facebook et
350000 tweets sont posts*.
Au-del des espaces clients Internet ddis, les entreprises
utilisent encore peu les canaux digitaux et mobiles pour
capter des donnes sur leurs clients. La part des entreprises
ayant recours aux rseaux sociaux, aux capteurs intgrs
dans les quipements clients et aux donnes GPS sur la
localisation et les dplacements clients s'lve respectivement
36%, 14% et 11%.
Ces canaux ont pourtant la spcificit de fournir des
informations qualitatives, contextuelles et en temps rel
sur le comportement des clients, ce qui est prcieux pour
comprendre leur exprience et leur parcours, contextualiser
leurs achats et, in fine, qualifier leur profil.
ce jour, ce sont trs majoritairement les entreprises de la
grande distribution et du secteur des TMT qui ont recours aux
canaux digitaux et mobiles.

Les canaux de collecte utiliss selon la maturit


des entreprises
Marketing digital
96%
44%
Espace client Internet
92%
68%
Systme de facturation
92%
84%
CRM
85%
53%
Rseaux sociaux
69%
25%
Portail Internet
58%
33%
Open data
28%
24%
Capteurs intgrs
23%
8%
Golocalisation
12%
6%

Entreprises trs matures

Entreprises non matures

* "Ready for take off? Overcoming the practical and legal difficulties in
identifying and realizing the value of data", EY, 2014

Quelle maturit dans l'exploitation des donnes clients? | 13

Frein n2 - Les donnes non structures,


le maillon faible de l'analyse
Au-del des traditionnelles donnes textes structures sur
leurs clients coordonnes, comportements et dpenses
collectes par 90% des entreprises de notre panel, celles-ci
collectent aussi des donnes non structures.
45% des entreprises interroges collectent des donnes
textes non structures: verbatims* sur des espaces clients
Internet ou remonts de points de vente, conversations
numriques, avis soumis ou partags en ligne, donnes
sonores, images et vidos. Si la moiti des entreprises les plus
matures dispose de ce type de donnes sur leurs clients, elles
ne sont que 10% parmi les socits non matures.
Ce sont majoritairement les secteurs de la grande distribution
et des TMT qui collectent ce type de donnes.
Les proportions tombent respectivement 16% et 21% pour
les donnes sonores (enregistrements vocaux, musique) et
les images ou vidos (photos personnelles, films).
45% des entreprises interroges reconnaissent que les
donnes collectes ne sont pas assez exploites: 26%
affirment collecter une grande quantit de donnes mais
ne pas toujours maximiser leur valeur et prs de 20%
reconnaissent collecter des donnes mais les exploiter assez
peu.
Pourtant, lamlioration de lexprience client est laxe
stratgique numro un des entreprises que nous avons
interroges (68% ont rpondu tout fait), loin devant
la stratgie tarifaire (36% ont rpondu tout fait) ou le
dveloppement linternational (30% des rpondants).

Les donnes non structures sont trs peu exploites

45%
des entreprises interroges collectent des donnes non
structures

27%
des entreprises interroges sont outilles pour fiabiliser ces
donnes

Moins de 10%

des entreprises disposent de logiciels de statistique


prdictive

Moins de 10 data experts/entreprise


pour traiter les donnes non structures**

Le directeur financier au cur de


l'enjeu de structuration de la data
Aujourdhui principalement compose dinformations
financires, l'information structure comprendra
demain une part croissante dinformations RH,
sociales, lies au parcours clients, la consommation
nergtique, aux machines communicantes, aux blogs,
etc.
Le directeur financier est dot d'un savoir-faire
unique en termes de structuration de linformation, de
fiabilisation, de production et danalyse pour clairer les
choix des actionnaires et du management.
Aussi, ces comptences le mettent naturellement en
premire ligne dans les projets de transformation lis
au (Big) data. Il aura pour dfi notamment de faire
parler les indicateurs financiers et non financiers,
dintgrer oprations et finance, de casser les silos
organisationnels pour mieux capter le parcours client
et enfin d'orienter lentreprise vers l'laboration de

* Il existe des outils de business intelligence permettant de remonter les


verbatims en temps rel sur une liste de sujets dfinis,
Dossier Big & smart data, Stratgies n1770, 22/05/2014

scnarii futurs.

** Pour 70% des entreprises de notre panel

Associ - Ernst & Young et Associs - Financial Accounting Advisory Services

14 |

(Big) data : o en sont les entreprises franaises?

Pierrick Vaudour

Le traitement et l'analyse
des donnes clients:
des capacits inadaptes
Le Big data implique le traitement de donnes volumineuses
(nombreuses sources dhistoriques, bases de corrlations,
etc.) en un temps raisonnable, voire en temps rel.
Le problme nest plus tant de stocker (a priori) un volume
considrable de donnes clients, mais de slectionner,
dans le flux continu de data, celles que lon va conserver (a
posteriori): un choix qui requiert des comptences et outils
spcifiques.
Bien souvent, une combinaison de mthodes statistiques
classiques (statistiques descriptives, segmentation, scoring,
etc.) et de solutions de calcul permet de rsoudre ces
difficults.
Par exemple, la paralllisation des calculs rpte les mmes
calculs sur des groupes de donnes spars, des squences,
avant de les rconcilier, afin quils soient globalement
effectus de manire plus rapide. Cette mthode de calcul est
combine avec des estimateurs statistiques pour converger
vers une rponse la plus juste possible dans le dlai imparti.
Notons que les formes de statistiques descriptives auxquelles
on aboutit aujourdhui sont plus pures qu lpoque o lon ne
disposait que dchantillons de donnes quil fallait extrapoler
(du fait des cots de rcolte, de stockage et de traitement).
Raison pour laquelle la quantit de donnes disponibles et
leur traitement ne sont aujourdhui plus une limite, ce qui
permet de travailler sur des donnes plus exhaustives.

Quelle maturit dans l'exploitation des donnes clients? | 15

Frein n3- Un manque de comptences


analytiques
Les entreprises ne disposent pas de profils et de comptences
analytiques en interne pour exploiter lensemble des donnes
utiles leur activit, traiter les donnes historiques en temps
rel et relationnelles (rseaux, amis, familles, collgues), les
contextualiser et en tirer des rsultats utiles et exploitables.
Seules 30% des entreprises interroges ont recrut des
profils spcifiques ddis au traitement et la gestion de la
data.
Plus gnralement, pour 70% des entreprises interroges,
lensemble des ressources ddies au traitement des donnes
clients reprsente moins de 10 personnes. Seules 6% des
entreprises du panel disposent d'effectifs ddis la data de
plus de 50 personnes.

16 |

(Big) data : o en sont les entreprises franaises?

Nombre de personnes ddies l'exploitation de la data


Total panel: 152 entreprises
50 ou plus
6%

10 49

18 %

70 %

moins de 10

Entreprises ayant un effectif data de moins de 10


personnes
79%

Entreprises ayant un effectif data de 50 personnes ou plus

70%*

71%

39%

Non matures

Peu matures

Trs matures

* 70% des entreprises du panel ont un effectif data


infrieur 10 personnes

3%

4%

Non matures

Peu matures

16%

6%*

Trs matures

* 6% des entreprises du panel ont un effectif data


suprieur 50 personnes

Quelle maturit dans l'exploitation des donnes clients? | 17

Frein n4- Une carence des outils de traitement des donnes


Individuelles, htrognes, multiples et parses, les traces
numriques collectes en temps rel nont, prises isolment,
aucune valeur. Leur valeur vient du sens quon arrive en
tirer, en termes de corrlation ou de prdictibilit.

Les donnes issues du web, du mobile et des objets connects


ont rendu caduques les techniques danalyse classique,
manquant dsormais de puissance, de rapidit, de flexibilit,
et devenues trop onreuses.

Il est possible de donner du sens ces donnes en les


rattachant leur cause commune: le comportement dun
tre humain. De cette faon, on peut non seulement esprer
comprendre le comportement dun individu travers les
traces quil laisse, mais aussi, in fine, recomposer son ADN
numrique.

Des technologies et outils de traitement, ainsi que des


comptences spcifiques sont ncessaires pour extraire des
informations et enseignements des donnes non structures,
le maillon faible de lanalyse. Il faut en effet les traduire,
les fiabiliser, les indexer, les combiner avec les donnes
existantes, pour pouvoir les intgrer au reporting qui sera
remont au niveau dcisionnel.

Au-del de la collecte de donnes et de leur stockage,


lintelligence algorithmique est indispensable pour donner
un sens la masse de donnes gnres par chaque
individu et ses objets connects. Cette intelligence
algorithmique vise regrouper, confronter et mettre en
relation des donnes issues de sources diverses pour crer
et caractriser des groupes statistiques sur la base de
tendances caractrises afin de dcrypter et danticiper ses
comportements dans des environnements diffrents.
Il faut donc contextualiser la donne qui, seule, naura aucun
sens, mais prendra toute sa valeur dans la mise en relation
avec une multitude dautres donnes. Cest ce pouvoir de
contextualisation qui permettra lentreprise de proposer
la bonne offre la bonne cible, au bon moment et au bon
endroit (ou via le bon canal*).

Enjeu de fiabilit et de scurit


de la data
Les entreprises intgrent de plus en plus le Big
data dans leurs processus dcisionnels. Il apparat
ainsi essentiel de veiller la fiabilit et la scurit des
donnes analyses. Pour ce faire, les responsables
scurit ou les contrleurs internes doivent
apprhender les processus Big data de manire globale
afin de dployer les dispositifs de scurit et de contrle
adquats. Ces dispositifs doivent permettre de rpondre
aux enjeux de volume, de vitesse de traitement, de
diversit des formats et permettre une circulation
intgre et scurise de linformation.

* Comportements culturels et donnes personnelles au cur du Big data:


entre la ncessaire protection et une exploitation au service de nouveaux
quilibres, EY, novembre 2013

18 |

(Big) data : o en sont les entreprises franaises?

Pascal Antonini
Associ - Ernst & Young Advisory - IT Risk and Security

La majorit des grandes entreprises a conscience de


la progression de ces donnes non structures et de
lindispensable effort de fiabilisation. 59% des entreprises
que nous avons interroges affirment anticiper une hausse
du volume de donnes fiabiliser dans les 18 mois. En mme
temps, seules 27% dentre elles affirment avoir mis en place
des process internes pour fiabiliser ou exploiter les donnes
non structures.
Dernire tape pour rendre les donnes clients exploitables:
la visualisation et la simplicit dusage des rsultats de
lanalyse, dcisives pour la comprhension et lexploitation des
rsultats par les dcideurs oprationnels. En effet, la faon de
partager les donnes est essentielle pour que chaque mtier
puisse se les approprier et en tirer de la valeur.

Les chiffres nous montrent que les techniques visuelles et


interactives de prsentation des donnes se gnralisent
au sein des entreprises. Pour nen citer que quelques-unes:
Qlikview est utilise par 43% des entreprises interroges;
Spotfire par 28%; 41% Cognos et Business Object par 43%.
En revanche, ces solutions sont surtout dployes au service
de la comprhension et la restitution du pass, encore peu
comme outil danalyse, et encore moins dans llaboration de
scnarii prdictifs.

Une data visualisation de qualit donne aux dcideurs le


moyen de manipuler de larges volumes de donnes pour faire
merger des tendances, mettre en lumire des corrlations
qui ne peuvent se rvler quavec la visualisation et rpondre
des questions spcifiques. En somme, des rsultats
danalyse restitus de faon visuelle, mis en perspective et
hirarchisant les enjeux.
La data visualisation permet aussi dassurer une
communication, interne et externe, efficace et cohrente
(la visualisation de donnes unifie le discours en le rendant
accessible, clair et facile partager). Il s'agit donc d'un moyen
efficace de faire passer un message sans ambigut auprs de
ses clients, actionnaires et autres parties prenantes.

Quelle maturit dans l'exploitation des donnes clients? | 19

Frein n5- Lanalyse de la data encore (trop) peu oriente vers le prdictif et le temps rel
La prdictibilit des modles analytiques et la capacit de
prise de dcision en temps rel constituent la vraie longueur
davance en matire dexploitation des donnes clients.

Elles sont encore plus nombreuses (92% des plus matures)


penser quune telle stratgie leur permettrait d'assurer la
rapidit de leurs extractions et requtes.

Ces modles vise prdictive sont dj utiliss,


notamment par les champions du numrique, travers les
recommandations de sites dachat de biens et services en
ligne sites d'e-commerce ou de vido la demande qui
reposent sur des modles capables de prvoir ce quun
individu serait en mesure dapprcier au regard de ses achats
antrieurs, mais aussi dachats similaires effectus par
dautres consommateurs, afin de lui proposer des produits
en consquence. Au-del de la corrlation avec le contexte,
lintelligence algorithmique vise tablir des liens de cause
effet pour mieux prvoir les comportements futurs de
linternaute.

Dans lindustrie, et particulirement les industries de rseaux


et dinfrastructures (communications et nergie, mais aussi
transports et automobile), les solutions de maintenance
prdictive, en collectant et analysant des donnes en temps
rel partir de nombreuses sources (logs de maintenance,
logs des performances, donnes de surveillance, donnes
environnementales, donnes financires, etc.) contribuent
amliorer significativement la qualit des prestations et la
performance oprationnelle des entreprises. Elles permettent
notamment de raliser des diagnostics prventifs et, au-del,
de la maintenance prdictive.

Seules 10% des entreprises interroges exploitent les


donnes clients des fins prdictives et 5% dentre elles
le font pour optimiser les process techniques permettant
daccrotre la rapidit dexcution et d'augmenter les capacits
de stockage (lments cls pour exploiter des volumes
croissants et toujours plus rapides de donnes et de flux
dinformations).
Si elles nont pas les comptences requises, les entreprises les
plus matures de notre panel ont nanmoins t sensibilises
ce sujet: 73% affirment que la mise en place dune stratgie
(Big) data leur permettrait dutiliser des modles prdictifs en
temps rel (contre 43% pour les moins matures).

Il est alors possible de reprer en temps rel les schmas


propices la dtection prventive des incidents et pannes
afin de dterminer les domaines les plus exposs au risque
et didentifier la cause premire du problme. La maintenance
dirige alors proactivement les ressources vers ces domaines
avant que le risque ne devienne une ralit. En dautres
termes, il sagit danticiper les problmes rseaux plusieurs
semaines, voire plusieurs mois, lavance et dviter les
accidents, interventions et arrts de production qui peuvent
se rvler trs coteux financirement et en termes dimage*.
N'oublions pas que dans certaines industries, le cot de la
maintenance est bien suprieur celui de l'investissement
initial.
* Emmanuelle Delsol, dossier Data le contrat de confiance, LUsine nouvelle,
N3372, 10/04/2014 La maintenance prdictive au service de
lindustrie, analysepredictive.fr, 23/08/2011, consult le 25/06/2014

20 |

(Big) data : o en sont les entreprises franaises?

Quelle maturit dans l'exploitation des donnes clients? | 21

La data non perue comme un support


aux dcisions stratgiques
Frein n6 - Le manque de transversalit
dans la gestion des projets (Big) data

Frein n7- Labsence de mesure du ROI*


des projets (Big) data

Le manque de transversalit dans lorganisation et la


gestion des projets data est un frein la valorisation des
donnes clients. Les projets sont souvent perus comme
trop complexes, trop longs mettre en uvre et donc non
prioritaires.

Le Big data marque un tournant majeur dans lexploitation


des donnes clients et reprsente un formidable levier de
croissance et de profitabilit. Pourtant, les rsultats de notre
enqute laissent entrevoir que la data peine convaincre
en termes de ROI. On constate une trs faible prise de
conscience, au sein des entreprises, de la valeur ajoute des
projets data. Il existe peu d'tudes de cas sur lopportunit de
dvelopper des projets (Big) data. Quantifier et mesurer la
valeur des projets data, sur la base de KPI** prdfinis et dune
estimation du retour sur investissement, permettrait pourtant
dtablir une feuille de route avec des projets data dployer
prioritairement et dobtenir le sponsorship du management.

En outre, les silos en interne sont les principaux freins


organisationnels une optimisation de lexploitation de la
data, mme si les dirigeants le reconnaissent moins volontiers
lorsquil sagit de leur organisation. Mme parmi les trs
matures (17% du panel), 39% considrent quil sagit encore
dun frein lexploitation de la data.
Preuve qu'il s'agit d'un frein quel que soit le niveau de
maturit data des entreprises, 39% de celles de notre panel
reconnaissent que les silos internes demeurent un frein
l'exploitation optimale des donnes clients.
Chaque mtier ayant pour habitude dutiliser et de transformer
les donnes issues de ses bases de donnes pour rpondre
ses propres enjeux mtiers ou objectifs, le capital data ne peut
pas circuler dans lentreprise, ce qui explique une absence de
vision unifie. Raison pour laquelle les outils et technologies
Big data sont encore peu adopts.
En effet, ces solutions ne prennent leur pleine mesure quen
exploitant les informations provenant de tous les systmes
informatiques et des directions de lentreprise.

ce jour, seules 29% des entreprises interroges considrent


que le Big data marque un tournant majeur et reprsente
un levier de croissance. Quant la mise en place dun plan
daction Big data avec des initiatives concrtes, elles ne sont
que 18% l'avoir fait. L encore, les entreprises identifies
comme les plus matures se distinguent, bien que moins de
la moiti de cette catgorie ait dploy un tel plan, soit 46%
prcisment. Un pourcentage qui tombe 5% chez les moins
matures.
Pour ce qui est du retour sur investissement en particulier,
ce jour, 58% des entreprises interroges nont pas cherch
quantifier la contribution des solutions la performance de
leur entreprise. L encore, lcart est norme entre les plus
matures (77%) et les non matures (3%).
* ROI: Return on Investment
** KPI : Key Performance Indicator

22 |

(Big) data : o en sont les entreprises franaises?

Avez-vous cherch quantifier la contribution


des solutions Big data votre performance?
58%
42%

Oui

Non

Entreprises interroges ayant rpondu non


(58% du panel)
73%
58%
51%

19%
Non matures

Peu matures

Trs matures

Frein n8- Un manque de sponsorship de la direction gnrale


L'absence de mesure ROI de l'exploitation (Big) data, allie une conjoncture
conomique dfavorable peuvent expliquer la prudence de la plupart des directions
gnrales sur le sujet. La majorit des entreprises non matures considre la
perception du top management comme un frein une exploitation optimale des
donnes au sein de leur entreprise, soit 57% dentre elles, contre seulement
11% pour les plus matures. Cest en effet le management qui, par ses arbitrages
en matire de dfinition des axes stratgiques et dinvestissement, va ou non
permettre les transformations internes requises pour doter lentreprise des moyens
analytiques adquats.

Quelle maturit dans l'exploitation des donnes clients? | 23

Vie prive et scurit: des enjeux encore sous-estims


Frein n9- La rticence partager des donnes personnelles, un risque majeur pour la fiabilit
de la data
Avec lavnement de lconomie numrique et lexplosion
de lInternet des objets, les data connaissent une croissance
exponentielle et forment une masse gigantesque de donnes
structures et non structures.
Et la source de la production de ces donnes se trouve
lindividu. Cest pourquoi lenjeu de la scurit des donnes,
auquel sajoute celui de la protection de la vie prive, est la
cl de lavenir mme du Big data. En effet, la protection des
donnes personnelles apparat au centre des proccupations
des consommateurs, qui questionnent de plus en plus les
entreprises et responsables du traitement sur les garanties
et la scurit quils mettent en place pour protger les
donnes personnelles qu'ils leur confient. Les questions les
plus frquemment poses sont relatives la localisation de
ces donnes, aux mesures de scurit mises en place pour
les protger contre des accs non autoriss, lusage qui
en est fait par le responsable de traitement, qui elles sont
destines, etc.

La protection des donnes personnelles cristallise aujourdhui


les rticences lies lexploitation des donnes clients.
Or la confiance des clients, partenaires et citoyens dans une
marque, est une condition ncessaire lengagement dans la
marque et au partage non biais dinformations.
Daprs une rcente tude EY* 70% des consommateurs
sont rticents partager leurs donnes personnelles avec les
entreprises et 49% affirment quils seront moins enclins le
faire dans les cinq annes venir.

*"Ready for take-off? Overcoming the practical and legal difficulties in


identifying and realizing the value of data", EY, 2014

24 |

(Big) data : o en sont les entreprises franaises?

Frein n10- Faible sensibilisation aux enjeux


de scurit et de protection de la data
Parmi les entreprises que nous avons interroges, 30%
estiment ne pas tre concernes par les enjeux de protection
de la vie prive lors de lexploitation de leurs donnes clients.
Un rsultat quil convient de nuancer selon le niveau de
maturit des entreprises en termes dexploitation de data.
En effet, les entreprises identifies comme les plus matures
dans lIndice EY de Maturit Data sont 92,3% considrer
que la question de la protection de la vie prive est un enjeu
prioritaire dans lexploitation des donnes clients. Tandis que
pour celles qui ont t identifies comme non matures, seules
20,7% peroivent la privacy comme un enjeu, contre 58,6%
qui ne paraissent pas encore sen proccuper.
Les donnes personnelles sont prcieuses pour les
entreprises car elles revtent un fort caractre prdictif**.
La confiance des producteurs de data augmentera fortement
leur propension partager des donnes personnelles fiables
et prcises, et baissera ainsi significativement les biais
statistiques des modles dcisionnels et prdictifs.
Les entreprises sont gnralement un peu plus sensibles
laspect technique de la protection des donnes et, plus
prcisment, au risque de cyberattaque de leurs systmes
dinformation (SI).
Selon une tude internationale EY* sur la scurit des
systmes dinformation, 59% des entreprises interroges
considrent que les menaces externes sur leurs systmes
dinformation sont en progression et 43% affirment que leur
budget scurit des systmes dinformation est en hausse.

Intgrer le cadre rglementaire de la


protection des donnes: une ncessit
pour que scurit juridique et confiance
des clients constituent le socle du
dveloppement
Lexploitation des donnes sinscrit ncessairement
dans un cadre rglementaire qui va protger, outre
les droits dauteur, les crations originales et les
investissements du producteur dune base de donnes,
lexploitation des donnes personnelles, cest--dire qui
va permettre aux individus de connatre lexploitation qui
est faite des donnes qui peuvent les identifier, et dans
certains cas, de sy opposer.
Le cadre rglementaire de la protection des donnes
personnelles en Europe impose notamment des
obligations dclaratives auprs du rgulateur national
(la CNIL en France), des obligations de loyaut dans
la collecte et la communication des donnes, des
obligations dinformation, daccs et un droit dopposition
au bnfice des personnes concernes, des restrictions
en cas daccs ou de transferts en dehors de lUnion
europenne ainsi que des obligations deffacement
des donnes lorsquelles ne sont plus ncessaires pour
rpondre la finalit qui a motiv leur collecte.
Ce cadre rglementaire na pas vocation empcher
lexploitation des donnes personnelles mais donner
des garanties aux personnes dont les donnes sont
traites, en termes de scurit des donnes et de
contrle sur lutilisation qui est faite de leurs donnes.
La conformit avec ce cadre rglementaire rpond,
au-del de la prvention du risque juridique de sanction
pouvant tre prononc par le rgulateur (jusqu
300000 euros en droit positif, mais bientt jusqu
5% du chiffre daffaires mondial du responsable de
traitement lorsque le projet de rglement en matire de
protection des donnes sera adopt), un enjeu thique
de respect de la vie prive des individus.
Fabrice Naftalski
Associ - Ernst&Young Socit d'Avocats - Responsable EMEIA des activits Droit
des Technologies de l'Information et de la Proprit Intellectuelle

** Under cyber attack - EYs Global Information Security Survey 2013

Quelle maturit dans l'exploitation des donnes clients? | 25

III/ Dployer une stratgie (Big) data


efficace: les leviers d'action

26 |

(Big) data : o en sont les entreprises franaises?

La rvolution (Big) data na pas encore eu lieu


Deux tiers des entreprises franaises (63%) considrent que
le Big data est un concept intressant mais encore trop vague
pour constituer un levier de croissance.

Le Big data est un concept intressant mais encore


imprcis qui ne constituera un levier de croissance que
pour certaines entreprises

Peu dtudes dopportunit (Big) data sont


menes

63%

Les entreprises les plus matures sont celles qui ont non
seulement lanc une tude dopportunit du Big data ce
qui ne reprsente que 9% du nombre total dentreprises
composant notre panel - mais aussi celles qui ont mis en place
une stratgie globale de gestion de leurs donnes clients,
pour favoriser une meilleure circulation des donnes en
interne et une exploitation plus cohrente et transversale de
ces donnes.

37%

Non

Force est de constater quau-del de l'effet de mode, le Big


data reprsente pour beaucoup un concept flou, encore
difficile apprhender au sein des entreprises, tant en termes
de transformation organisationnelle, de stratgie, de ROI que
de gestion et de formation des comptences. En tmoigne le
passage au filtre de lIndice de Maturit Data :

Oui

Entreprises interroges ayant rpondu oui


(63% du panel)
72%

63%

61%

Pour lheure, la moiti des entreprises na pas tudi les


opportunits ventuelles lies au Big data.

Notre entreprise a tudi les opportunits ventuelles


lies au Big data


35%

Oui,
tude en cours

Oui,
plan Big data dploy

18 %

23 %

2%
Non matures

Peu matures

Trs matures

Oui,
mais nous avons conclu
labsence dopportunit

57 %

La deuxime rvolution de la (Big) data sera celle


de l'exploitation des donnes non structures et de
l'open data.

Non

Bruno Perrin
Associ - Ernst & Young et Associs
Responsable du secteur Technologies, Mdias, Tlcoms en France

Quelle maturit dans l'exploitation des donnes clients? | 27

Lentreprise na pas de vision 360 de la data

Il nexiste pas encore de gouvernance data

La moiti des entreprises interroges reconnat que


labsence dun plan daction clair qui constitue une feuille
de route pour lensemble de lentreprise est un frein une
exploitation optimale des donnes clients.

Les entreprises hsitent encore sur lentit qui doit prendre


la responsabilit de la stratgie data, tout autant que sur les
modalits dapplication. En effet, selon le niveau de maturit
des entreprises, il incombe soit la direction marketing
(pour les plus matures) soit la DSI dimpulser et/ou de
mettre en place la stratgie data, mais aussi de concentrer
les comptences data de lentreprise. En effet, pour 58%
des entreprises trs matures, les comptences en gestion
de donnes de lentreprise sont rattaches la direction
marketing et pour 31% des entreprises pas du tout matures,
les comptences en gestion de donnes de lentreprise sont
rattaches la direction technique.

Le pourcentage slve 76% pour les entreprises pas du


tout matures contre 35% chez les trs matures. Un tat
de fait rapprocher de la position du top management sur
le sujet du Big data, savoir sil juge utile ou non damliorer
significativement la gestion actuelle des donnes clients.
57% des entreprises non matures considrent la perception
du top management comme un frein versus 11% pour les trs
matures.

Quoi quil en soit, la prise en main par une seule direction


fonctionnelle induit le risque que l'exploitation des donnes
clients de lentreprise soit limite ou oriente prioritairement
aux besoins de la direction fonctionnelle concerne.
Outre-Atlantique, on voit merger une fonction de Chief Data
Officer qui a la charge de lensemble des questions relatives
la stratgie data de lentreprise. Mme au sein des entreprises
les plus matures de notre panel, cette rflexion est peine
entame et ne s'est pas traduite en actions concrtes.

28 |

(Big) data : o en sont les entreprises franaises?

Stratgie (Big) data:


deux approches coexistent actuellement
Parmi les entreprises interroges pour notre tude et celles
auprs desquelles nos sommes intervenus rcemment,
nous observons deux tendances principales en matire
dlaboration dune stratgie de donnes clients: le modle
Bottom-up et le modle Top-down.

b) Le modle Top-down

a) Le modle Bottom-up

Ce modle repose sur la dfinition dune stratgie Big data


et dune feuille de route avec des offres allant jusqu la
montisation de la data, des pistes pour mieux exploiter
les data internes ainsi quun programme denrichissement
externe du patrimoine data de lentreprise.

Son objectif est double: lancer des projets au niveau


oprationnel afin de valider les avances et les bnfices
potentiels en tirer, sachant que les projets sont issus de
lanalyse du champ des possibilits offertes par le Big data.

Dans ce cas, conscient de leffet Big data et convaincu de la


valeur future, le management soutient la dmarche et insuffle
une transversalit, incitant les mtiers travailler ensemble
sur la data.

Ce modle test & learn a un triple avantage: des rsultats


dimpacts concrets sur la socit, un effet dapprentissage sur
les quipes et le lancement de plusieurs projets en parallle.

Revers de la dmarche (Big) data-oriented: des dlais de


mise en place et de retours sur investissements relativement
longs. Dans une telle dmarche, il se peut quil ny ait toujours
pas dactions enclenches quelques mois aprs le lancement
du projet. Par ailleurs, les potentiels (phase PoV )
identifis peuvent tre tellement nombreux quil nest pas ais
danticiper et darbitrer parmi les projets data lancer
(PoC). En savoir plus p. 31

Il a cependant ses limites. Labsence dindicateurs de


performance peinera convaincre le management de leffet
Big data et de lutilit du projet. Ce quoi sajoutent labsence
de fil conducteur commun, qui entrane une dispersion des
projets, un manque de regard externe sur les projets, et
un dfaut dinvestissement et de moyens qui limitent les
possibilits.
Dans cette approche, les entreprises sont quipes doutils
spcifiques, en particulier de data visualisation. Elles
cherchent rpondre des problmatiques spcifiques
(ex.: en mode agile) mais ne disposent pas forcment de
larchitecture permettant le temps rel et les problmes lis
au silotage demeurent la plupart du temps.

Quelle maturit dans l'exploitation des donnes clients? | 29

Le succs du projet data chez Prisma a repos


sur la runion indite de lensemble des mtiers
et expertises au sein du groupe.
Yoann Dene
Directeur, Prisma Digital

Facteurs cls de succs


du dploiement dune stratgie (Big) data
Si chacune des approches data mises en place dans les entreprises a des avantages, selon nous, ce nest pas tant
lapproche en tant que telle qui fera la diffrence, mais la prise en compte dun certain nombre de conditions qui
constituent les facteurs cls de succs dune stratgie (Big) data.
Lentreprise se doit de dfinir une stratgie (Big) data, avec la data comme axe stratgique de lentreprise au
mme titre que la politique tarifaire par exemple.
Les 5 facteurs cls de succs du dploiement dune stratgie (Big) data :

Facteur cl de succs n1 - Une transversalit indispensable en amont


Au-del de la gestion des volumes, lun des plus forts attraits
des nouvelles technologies en matire dexploitation et
danalyse statistique des donnes clients rside dans la
capacit sadapter trs aisment la diversit des donnes :
varit des sources, htrognit des formats, etc.
Ds lors, lun des premiers enjeux dans le dploiement dune
stratgie (Big) data consiste mobiliser lensemble des
directions qui disposent souvent de points de vue divers et
complmentaires en matire de connaissance dun client.
Les occasions de collecter des donnes sur un client sont
multiples et relvent gnralement de la responsabilit dune
multitude de directions mtiers ou fonctionnelles dune
entreprise. Des rigidits organisationnelles, doubles de freins
techniques, freinent souvent lexploitation de cette manne de
connaissance que les croisements et mises en corrlation de
toutes les donnes pourraient rvler.

30 |

(Big) data : o en sont les entreprises franaises?

Sil intgre lensemble des mtiers de lentreprise le plus en


amont possible, le projet stratgique (Big) data permettra
deffectuer le recensement le plus exhaustif afin de rvler
des corrlations et den tirer des enseignements indits.
cette transversalit inter-directions sajoute une ncessaire
pluridisciplinarit. La connaissance et la matrise des enjeux
lies lexploitation des donnes tout au long de la chane
de valeur relve en effet de profils trs diffrents. Afin de
prendre en compte lensemble de ces dimensions, une quipeprojet devra rassembler des profils dinformaticiens, de chefs
de produits marketing, de financiers, danalystes statisticiens,
de juristes...
Une gestion de projet performance devra enfin tre
idalement mise en place afin de coordonner les travaux
de ces quipes et garantir lavance des travaux et solliciter
occasionnellement des arbitrages lorsque des points de
blocage se feraient jour.

Le rseau permet de faire voluer en direct et avec le


plus vaste public les initiatives et les services. C'est une
rvolution qui acclre tous les cycles et fait de l'erreur
initiale une tape naturelle du succs futur.
Pierre Bellanger
Fondateur et prsident-directeur gnral du groupe Skyrock

Facteur cl de succs n2 - Une implication


forte de la direction gnrale
Un programme de travail transverse mlant des comptences
et des entits aussi varies doit tre port par une implication
forte, au niveau du comit excutif ou dune entit ayant dj
pour vocation de travailler en support de multiples entits
mtiers (direction de linnovation, direction de la stratgie).
Un soutien qui garantit une meilleure adhsion, une visibilit
plus forte et vite que le projet ne soit restreint qu latteinte
dobjectifs spcifiques de lentreprise (dveloppement des
ventes, rduction des cots). Si de ce projet dcoulent des
opportunits de modifications organisationnelles, qui entrent
gnralement dans le primtre de la direction gnrale,
limplication de cette dernire ds la gense du projet
permettra dacclrer la comprhension des enjeux et des
bnfices attendus en vue dventuels arbitrages.

Facteur cl de succs n3 - La mise en place


d'un Agile Analytics Program
Un cadrage stratgique des enjeux et opportunits
Il faut consacrer un temps significatif la qualification des
besoins et enjeux de lentreprise et son diagnostic maturit,
et ensuite seulement choisir les technologies les plus mme
de rpondre aux besoins identifis et qualifis.
Cest ce moment seulement que le socle technologique doit
tre spcifi.

Les PoV* comme point d'ancrage


Sur le sujet de la data, il est indispensable de travailler
avec les utilisateurs finaux, au plus prs des dcideurs, et
de se lancer au travers de projets concrets, via des pilotes,
autrement appels PoC (proof of concept*).
* PoV : des PoC (proofs of concept) associs des tudes d'impact pour valuer

Quelle maturit dans l'exploitation des donnes clients? | 31

Avant tout, il convient de dfinir les opportunits business


(phase PoV*) puis de slectionner, dans ce champ des
possibles, les projets qui rpondent le mieux aux deux
critres suivants: facilit de mise en uvre et gain maximal
pour lentreprise (ROI); lintrt de cette dmarche tant
dautofinancer lindustrialisation du projet (sa gnralisation
lensemble de lentreprise) et la mise en place dune stratgie
Big data.

* PoV : des PoC (proofs of concept) associs des tudes d'impact pour
valuer leur rentabilit (ROI)

Il est important de chercher dvelopper des


initiatives varies permettant dacqurir de la
connaissance sur un large panel de technologies Big
data innovantes (text mining, extraction de data en
grandes dimensions...).
ric Martin
Responsable technique Big data chez Air France

Une feuille de route agile et un plan dactions concret


La feuille de route moyen terme (3 5 ans) doit dfinir des
actions prioritaires concrtes, des objectifs court et moyen
termes, et des KPI associs chacune des actions.
Le dveloppement des PoC doit se faire selon un mode de
co-construction agile.
Il est important que les dcideurs et utilisateurs finaux
puissent utiliser eux-mmes (et interagir avec) les rsultats
qui leur sont remonts (reporting). Ils ne se satisfont plus de
rapports figs.

La rflexion stratgique de Renault en matire


dexploitation des donnes sest dabord appuye sur
un recensement exhaustif des sources de donnes
clients (outils CRM, concessionnaires, web et & rseaux
sociaux, open data [incidentologie], etc.) et sur
lvaluation de leur valeur potentielle pour le Groupe
court et moyen termes.
Patrick Hoffstetter
Directeur Digital Factory chez Renault

32 |

(Big) data : o en sont les entreprises franaises?

Facteur cl de succs n4 - La confiance


by design
La protection juridique et technique des donnes rpond au
triple enjeu de fiabilit, d'efficacit et de rputation.
Les entreprises doivent donc prendre en compte, en amont
de tout projet Big data, les enjeux de risques techniques,
juridiques et rputationnels.
Les directions informatiques et juridiques en particulier
doivent crer ensemble les conditions du partage non biais
d'informations cls, notamment de donnes caractre
personnel, pour la pertinence des modles prdictifs.
La scurisation des donnes et de leur utilisation est aussi un
prrequis pour valoriser les donnes caractre personnel.
Garantir la scurit et l'intgrit des donnes traites,
la protection des donnes personnelles, tout en tant
transparent sur l'utilisation de ces donnes rpond l'enjeu
de rputation de l'entreprise l're digitale.

Quelle maturit dans l'exploitation des donnes clients? | 33

Exploitation (Big) data: des freins aux leviers d'action


Les freins identifis
FREIN 1

FREIN 2

FREIN 3

FREIN 4

FREIN 5

FREIN 6

FREIN 7

FREIN 8

FREIN 9

FREIN 10

34 |

Collecte de la data limite aux canaux et donnes traditionnels


Analyse de la data - les donnes collectes sous-exploites

Manque de comptences analytiques

Carence des outils de traitement de la data non structure

Analyse de la data (trop) peu oriente vers le temps rel et le prdictif

Absence de mesure du ROI des opportunits (Big) data

Faible transversalit dans la gestion des projets (Big) data


Manque d'implication de la direction gnrale

Rticence des clients, partenaires et citoyens partager leurs donnes personnelles


Faible sensibilisation aux enjeux de scurit et de protection de la data

(Big) data : o en sont les entreprises franaises?

Les leviers d'action


valuer le patrimoine data de l'entreprise
Qualifier les besoins et enjeux de l'entreprise

Recruter des profils de type data scientist

Privilgier une approche par tape en adoptant des plateformes fiables et largement utilises
(ex. : outils et plateformes ouvertes telles que Hadoop ou R)

Identifier les corrlations entre les data internes et externes l'entreprise


Identifier les process de calcul cls et mettre en place des algorithmes spcifiques Big data pour
parallliser les temps de calcul

Agile analytics program


D
 velopper conjointement des pilotes (PoC) avec les oprationnels pour fiabiliser ces projets
et baisser significativement leur temps de dveloppement
Prioriser les dveloppements des PoC via un cadrage stratgique des enjeux et opportunits
identifis

Diffuser la culture data en interne via une double impulsion top-down et bottom-up
Mettre les collaborateurs/experts sur des arbitrages complexes ncessitant une forte expertise
et favoriser ainsi les gains de productivit et l'innovation

La confiance by design
Prise en compte en amont des risques techniques, juridiques et rputationnels
Prise en compte de la rglementation et des bonnes pratiques en amont de tout projet Big data
Transparence sur l'utilisation de la data, a fortiori la data personnelle
Quelle maturit dans l'exploitation des donnes clients? | 35

tudes de cas

36 |

tude de cas n1
Lancement d'une srie de projets "proofs of value" ayant pour objectif
d'acclrer le time to market pour les nouveaux produits
Secteur

Accompagnement EY

Distribution et Produits de Grande Consommation

EY a travaill avec diffrentes directions du groupe :

Problmatique client
Besoin de comptences mtiers et techniques pour
accompagner la mise en place dun service de conception
assiste et du dveloppement des opportunits retenues pour
les acteurs de lentit recherche dun groupe international de
produits de grande distribution

Contact EY
David Nam
Associ, Ernst & Young Advisory
Responsable du ple Stratgie, Marketing et Innovation
david.naim@fr.ey.com

Mtiers (Dveloppement des nouveaux produits, Scurit,


Gestion, Pr-industrialisation, valuation in vitro) afin
danticiper les besoins des utilisateurs finaux (B2B)
DSI sur la dfinition de larchitecture de la plateforme
notamment :
-- Choix des briques logicielles en particulier Open Source
-- Choix et installation de la base Hadoop et de son cosystme
-- Mise en place dune solution de stockage dans le Cloud
alimentant, via une liaison scurise, une base Hadoop
interne
-- Anticipation de lintgration des flux issus des
instruments connects
-- Prparation de lindustrialisation des proofs of concepts
(PoC) dvelopps et valids (Sandbox)
-- Connexion aux bases de donnes de lentreprise
DAF sur lvaluation la valeur attendue et le ROI des proofs
of value (PoV)
EY a ainsi contribu au dveloppement des PoC de plusieurs
opportunits de valeur (PoV).

Valeur ajoute pour le client


Mise en uvre de plusieurs proofs of value (PoV) ayant dmontr une forte valeur ajoute:
Trs forte rduction du temps de dveloppement des nouveaux produits et donc du Time to Market
Par lexploitation de lhistorique de rsultats dessais de lentit et la mise en place dune mthodologie dessais
virtuels, les experts de la scurit produits peuvent viter la commande dessais longs et bloquants: le temps de
dveloppement du produit est diminu de plus de 6 semaines !

Quelle maturit dans l'exploitation des donnes clients? | 37

tude de cas n2
Valorisation du patrimoine data de l'entreprise
Secteur

Accompagnement EY

Technologies, Mdias, Tlcoms

Construction dune stratgie et dun plan daction data


pour optimiser et valoriser lactif data

Problmatique client

Recommandations sur lorganisation et la gouvernance


pour une exploitation transverse de la data

Meilleure connaissance de ses clients et de ses publics dans le


cadre de la transformation digitale du groupe

Contact EY

Recommandations sur les marchs porteurs,


les segmentations de march et les innovations en termes
doffre de services
Support aux quipes marketing et ventes

Vincent Placer
Directeur excutif, Ernst & Young Advisory
Stratgie Marketing Innovation - Business Analytics
vincent.placer@fr.ey.com

Valeur ajoute pour le client


Construction dune vision client unifie
Dfinition des axes de valorisation du patrimoine data et des priorits
Identification du portefeuille de projets et proofs of value lancer

38 |

(Big) data : o en sont les entreprises franaises?

tude de cas n3
Lancement et animation d'un programme global "Agile Analytics"
Secteur

Accompagnement EY

Sciences de la vie

Mise en place du projeten partenariat avec notre client

Problmatique client
Incapacit exploiter pleinement la multitude de ses
donnes (donnes exprimentales, donnes sur lactivit de
distribution des mdicaments dans le monde, donnes clients,
donnes des professionnels de sant, etc.)

Contact EY
Karim Ben Djemiaa
Directeur excutif, Ernst & Young Advisory
Stratgie, Marketing et Innovation - Data Analytics
karim.ben.djemiaa@fr.ey.com

Nous avons effectu un diagnostic maturit data du client


et dfini un portefeuille de 45 projets valoriss (PoV*)
impliquant diffrents mtiers de lentreprise (finance, client,
ressources humaines, fiscalit, supply chain, audit interne,
etc.)
Chaque projet a t le fruit dune consultation en interne,
dentretiens mtiers et de groupes de travail impliquant
l'ensemble des directions oprationnelles, diffrents
chelons
L'avance de chaque projet a t supervise par un chef de
projet unique garant de la tenue des dlais

Valeur ajoute pour le client


Identification d'opportunits mtiers hauteur de plusieurs centaines de millions deuros horizon 3 5 ans
30 millions deuros de gains ds la premire anne
bauche d'une nouvelle organisation de l'entreprise autour de la data
Gains de productivit pour les quipes de notre client
* Les PoV sont des PoC (proofs of concept) associs des tudes d'impact pour valuer leur ROI

Quelle maturit dans l'exploitation des donnes clients? | 39

tude de cas n4
Garantir le mme niveau de protection des donnes personnelles
quelle que soit leur localisation gographique
Secteur

Accompagnement EY

Services aux entreprises

Rdaction et obtention des premires BCR* "data


processor" approuves en Europe dans le cadre de la
procdure de reconnaissance mutuelle avec la CNIL comme
chef de file (et les autorits espagnoles et allemandes en
co-instructeurs)

Problmatique client
Manque de confiance de ses partenaires/clients
Les donnes RH et paie de ses clients sont pour partie
traites en dehors de lUE (Tunisie, Maroc et terme Inde),
ce qui dissuadait les socits europennes de lui confier la
paie ou la gestion RH de ses clients

* BCR : Binding Corporate Rules

Contact EY
Fabrice Naftalski
Associ, Ernst & Young Socit d'Avocats
Responsable EMEIA des activits Droit des Technologies de l'information
fabrice.naftalski@ey-avocats.com

Valeur ajoute pour le client


Garantir le mme niveau de scurit juridique quelle
que soit la localisation des donnes personnelles
traites pour le compte de ses clients (i.e. assurer au
client que ses donnes bnficient du mme niveau
de protection juridique que celui prvu par la directive
europenne en matire de protection des donnes)

40 |

(Big) data : o en sont les entreprises franaises?

Avantage par rapport ses concurrents


internationaux dont une partie des activits sont
pilotes hors dEurope
Confiance accrue de la part de ses clients europens
Conformit des traitements de donnes paie
l'international

tude de cas n5
Scurisation juridique du lancement et du dploiement de services Big data
Secteur

Accompagnement EY

Technologies, Mdias, Tlcoms

Scurisation du service dans sa protection juridique

Problmatique client
Scurisation et conformit dun nouveau service de
croisement de certaines donnes RH de ses clients avec des
donnes publiques disponibles sur internet (ex. : rseaux
sociaux, blogs, sites internet personnels, politiques ou
syndicaux, etc.)

Scurisation du dploiement du service (protection de la vie


prive, droit du travail)
Analyse des modes de protection disponibles en France
pour ce nouveau service et des mthodes et/ou moyens mis
en uvre cet effet
Scurisation juridique des conditions de prsentation
et de lancement de ce service

Contact EY
Fabrice Naftalski
Associ, Ernst & Young Socit d'Avocats
Responsable EMEIA des activits Droit des Technologies de l'information
fabrice.naftalski@ey-avocats.com

Valeur ajoute pour le client


Scuriser le lancement et le dploiement de services autour de Big data
Prenniser la position de leadership du client
Optimiser la protection des actifs incorporels du client (proprit intellectuelle, savoir-faire...)

Quelle maturit dans l'exploitation des donnes clients? | 41

Note mthodologique

Pourquoi avoir centr notre analyse


sur les donnes clients?

Nous avons men une enqute terrain auprs de 152


entreprises franaises, avec des effectifs compris entre 500
et 2000 personnes, sur la base dun questionnaire administr
par tlphone auprs de directeurs gnraux, marketing,
systmes d'informations, financiers, relation clients et CRM.
Ces entreprises appartiennent 5 secteurs dactivit: TMT
(Technologies, Mdias, Tlcoms), Distribution et produits de
grande consommation, Transport et Automobile, Services
financiers, Sant.

Parmi la quantit de donnes disponibles, les donnes


clients sont celles qui sont, selon nous, directement lies
la croissance du chiffre daffaires et au dveloppement de
lactivit. Ce sont elles qui disposent, moyen terme, du plus
gros potentiel en termes damlioration de la performance
commerciale des entreprises et de leur diversification vers de
nouveaux mtiers ou marchs. Ce qui ne signifie pas que les
donnes autres, telles que la consommation nergtique des
btiments, ne puissent pas tre source de profitabilit non
ngligeable.

En parallle de cette enqute quantitative, 12 entretiens


qualitatifs ont t conduits auprs dentreprises appartenant
aux secteurs couverts.
En outre, nous avons construit notre Indice EY de Maturit
Data sur la base de 10 variables auxquelles nous avons
affect une note allant de 2 +2 pour chaque entreprise
de notre panel.
Les scores permettent de capturer le degr davancement
effectif sur chacune des variables. Lensemble des notes
obtenues par entreprise a t additionn pour en tirer
3 groupes statistiques qui traduisent le niveau global de
maturit de chaque entreprise.

Construction de l'Indice EY de Maturit Data


Lindice de maturit agrge les rponses 10 questions
factuelles portant sur l'tat des lieux de la collecte et
de l'analyse de la data (volume, diversit, profil, etc.), la
gouvernance et l'implication des mtiers, la finalit des
modles analytiques et la prise en compte des enjeux de
scurisation de la data. Lensemble des modalits de rponses
a t cod avec une chelle centre allant de -2 2 en
fonction du niveau de maturit estim par les experts EY.
Les rponses de chaque rpondant ont ainsi permis de donner
une note brute allant de -20 20. Les entreprises dont la note
est ngative ont t qualifies de non matures, celles dont
les notes allait de 0 9 ont t qualifies de peu matures, et
celles obtenant plus de 10 points ont t qualifies de trs
matures.

42 |

(Big) data : o en sont les entreprises franaises?

Abrviations
CAPEX Capital Expenditure
KPI

Key Performance Indicator

OPEX

Operating Expenditure

PoC

 roof of concept. L'expression dsigne des projets


P
pilotes dploys rapidement pour dmontrer la
faisabilit d'une opportunit

PoV

 roof of value. L'expression dsigne des projets


P
pilotes (PoC) auxquels sont associes des tudes
d'impact pour valuer leur rentabilit avec leur
gnralisation (phase d'industrialisation)

ROI Return on Investment

EY | Audit | Conseil | Fiscalit & Droit | Transactions

EY est un des leaders mondiaux de laudit, du conseil, de la fiscalit et


du droit, des transactions. Partout dans le monde, notre expertise et la
qualit de nos services contribuent crer les conditions de la confiance
dans lconomie et les marchs financiers. Nous faisons grandir les talents
afin quensemble, ils accompagnent les organisations vers une croissance
prenne. Cest ainsi que nous jouons un rle actif dans la construction dun
monde plus juste et plus quilibr pour nos quipes, nos clients et la socit
dans son ensemble.
EY dsigne lorganisation mondiale et peut faire rfrence lun ou plusieurs
des membres dErnst & Young Global Limited, dont chacun est une entit
juridique distincte. Ernst & Young Global Limited, socit britannique
responsabilit limite par garantie, ne fournit pas de prestations aux clients.
Retrouvez plus dinformations sur notre organisation sur www.ey.com.
2014 Ernst & Young Advisory
Tous droits rservs.
Studio EY France - 1407SG049
SCORE France N14-057
Photos: Fotolia - EY
Document imprim conformment lengagement dEY de rduire son empreinte
sur lenvironnement.
Cette publication a valeur dinformation gnrale et ne saurait se substituer un conseil
professionnel en matire comptable, fiscale ou autre. Pour toute question spcifique,
vous devez vous adresser vos conseillers.

ey.com/fr

Contacts
David Nam
Associ, Ernst & Young Advisory
Responsable du ple Stratgie, Marketing et Innovation
Tl.: +33 1 46 93 59 58
E-mail: david.naim@fr.ey.com
Bruno Perrin
Associ, Ernst & Young et Associs
Responsable du secteur Technologies, Mdias, Tlcoms en France
Tl.: +33 1 46 93 65 43
E-mail: bruno.perrin@fr.ey.com
Fabrice Naftalski
Associ, Ernst & Young Socit dAvocats
Tl.: +33 1 55 61 10 05
E-mail: fabrice.naftalski@ey-avocats.com
Karim Ben Djemiaa
Directeur excutif, Ernst & Young Advisory
Responsable Data Analytics France
Tl.: +33 1 46 93 59 09
E-mail: karim.ben.djemiaa@fr.ey.com
Vincent Placer
Directeur Associ, Ernst & Young Advisory
Tl.: +33 1 46 93 61 32
E-mail: vincent.placer@fr.ey.com
Louisa Melbouci
Responsable Marketing Technologies, Mdias, Tlcoms en France
Tl.: +33 1 46 93 76 47
E-mail: louisa.melbouci@fr.ey.com

Cette tude a t ralise par EY, sous la direction de Vincent Placer,


avec la participation de Pascal Antonini, Jeff Chau, Stphane Mdard,
Louisa Melbouci, Franck Rimek, Aurle Tabuchi, Pierrick Vaudour,
France de Roquemaurel la rdaction et Sandrine da Cunha au
graphisme.

Vous aimerez peut-être aussi