Matrice analyse de données snapshot

Valoriser les données – un cadre méthodologique

La valorisation des données est avant tout une démarche métier qui doit être conduite par le marketing. Et ce pour une raison simple : valoriser les données consiste à créer pour l’entreprise un avantage concurrentiel qui pré-suppose une bonne compréhension du client et de ses attentes.

La démarche pertinente d’un projet de valorisation de données, qu’il soit Big Data ou non, consiste dans un premier temps à identifier les données susceptibles de contribuer à créer cet avantage concurrentiel.

Dans cette première phase qui consiste en réalité à faire l’inventaire des données de l’entreprise, on mobilisera essentiellement des ressources de la DSI qui prendront garde à n’écarter aucune donnée a priori au prétexte qu’elle ne revêtirait pas d’intérêt. Le renfort d’un marketer et d’un dataminer est pertinent. Le champ d’exploration est vaste comme le synthétise le tableau ci-après.

DomaineDescriptionExemple
Données transactionnellesDonnées captées lors des opérations, qu’elles émanent du S.I. de production ou du S.I. marketingEnregistrements de ventes, achats, paiements, CRM, clicks/ emails,…
Données analytiquesDonnées dérivées des données transactionnelles à des fins analytiques ou de reportingRatios, calculs, scores, données des DWH et Datamarts
Données « big data »Données et contenu explicites et implicites  générés par l’utilisateur, une machine, un capteur,…Web & mobile logs, sensors, BLE,  posts, Likes, …

 

En outre, les marketers devront s’employer à rechercher et identifier les données publiques susceptibles de présenter un intérêt dans la satisfaction des attentes des prospects ou clients.

Ces données seront ensuite qualifiées, selon leur nature, de « Publiques » (open data) à « Rares », s’agissant des données générées par le S.I. de l’entreprise (« First-party data », données transactionnelles, données implicites et explicites fournies par les visiteurs du site, …). Les données « Partagées » (par exemple avec un fournisseur) constituent une classe intermédiaire.

Dans un second temps, on appréciera leur potentiel à créer de la valeur pour l’entreprise, globalement ou sur un segment de marché ciblé. En effet, une démarche différenciée peut se révéler nécessaire lorsque les attentes des différents segments de marché sont hétérogènes. Ainsi, le potentiel de valorisation d’une même donnée différera d’un segment à l’autre.

La matrice d’analyse stratégique des données MASD®

Matrice analyse de données

Matrice MASD®

La matrice d’analyse stratégique des données contribue au cadre méthodologique de cette démarche et constitue un bon support de travail. Elle présente en outre l’avantage de rapprocher les équipes marketing et IT autour de la donnée en favorisant l’émergence d’une culture « Data » commune.

Cette matrice permet de regrouper les données en quatre classes et d’associer à chaque case un type d’action à conduire :

  • Données junk

Ce sont des données publiques à faible valeur potentielle pour l’entreprise, essentiellement parce qu’elles se situent hors du champ d’activité.

  • Données dilemme

Ce sont des données produites par le SI transactionnel de l’entreprise, celles générées par les visiteurs d’un site, par les réseaux sociaux, etc. pour lesquelles l’entreprise n’a pas encore les clés de valorisation.

L’action recommandée est la veille: ces données peuvent se révéler valorisables en cas d’évolution des attentes des publics cibles.

  • Données concurrencées

Ce sont des données largement disponibles qui sont déjà utilisées par des acteurs ou concurrents du marché-cible. En tant que telles, elles peuvent difficilement contribuer à la création d’un avantage concurrentiel pour l’entreprise car elles ne sont pas différenciantes. (Citons à titre d’exemple les données de géo-localisation des bornes Vélib’ en Ile de France).

L’action à conduire consiste à rechercher les voies d’enrichissement de ces données par leur confrontation aux données détenues par l’entreprise. On pourra également explorer des voies de valorisation par le biais d’un mode de restitution différenciant (UI innovante, appli, …).

  • Données stratégiques

Les données stratégiques constituent le coeur de l’asset « Data » de l’entreprise. Ce sont les données générées par l’activité de la société, donc « rares », et identifiées comme disposant d’un potentiel de valorisation auprès du segment. L’action à conduire en association avec la valorisation de ces données est leur sécurisation. Les données stratégiques sont valorisables sur 5 principaux axes.

Matrice analyse de données avec actions associées

Les actions associées à chaque case de la matrice d’analyse stratégique des données

 

Les 5 principaux axes de valorisation des données

Monétisation

L’axe de valorisation le plus évident consiste à vendre les données. Ainsi, bon nombre de sites à fort trafic ont recours aux DMP (Data Management Platform) et DSP (Demand Side Platform) qui facilitent la tâche de collecte, de management et de monétisation des first-party data. Un site collectant des adresses e-mail opt-in peut les commercialiser auprès de list-brookers. Il peut s’agir d’une vision court-termiste de la mise à profit du capital Data de l’entreprise… Le service proposé par l’entreprise Pirelli, en revanche,  est un bel exemple de monétisation des données recueillies par le biais de capteurs.

Acquisition/Conversion

La donnée est mise à profit au sein des processus marketing et commerciaux de l’entreprise pour contribuer à la conquête de nouveaux prospects ou clients. Cette démarche est assez largement employée, par exemple par les sites sociaux qui délivrent des statistiques de visibilité en vue de convertir les membres inscrits en clients.

Fidélisation

Cet axe de valorisation recèle un fort potentiel, notamment en BtoB, secteur dans lequel les données collectées explicitement et implicitement par l’entreprise en provenance de ses clients peuvent constituer une source d’information à valeur ajoutée pour ces mêmes clients.

De nouveaux services fidélisants peuvent voir le jour, fondés sur la restitution de données enrichies au client. A titre d’exemple, il peut s’agir de données facilitant l’aide à la décision du client, de données de consommation, de statistiques industrielles que le client peut mettre à profit pour optimiser sa gestion, etc. Par ce processus, l’entreprise se positionne vis-à-vis de son client en tant que fournisseur de « connaissance » générée à partir des données qu’elle collecte. Pour s’engager dans cet axe de valorisation, il est indispensable de disposer d’une connaissance approfondie des métiers et attentes des clients.

Réduction des coûts

Des expériences probantes sont conduites, parfois depuis longtemps, dans le domaine de la réduction des coûts, que ce soit en matière d’optimisation de la supply chain ou d’amélioration du process de livraison où les données de géo-localisation issues de capteurs sont mises à profit. Les détaillants commencent à bénéficier des données issues de plateformes de routage de leurs offres pour affiner leur pricing ou encore moduler leur niveau de stock.

Brand image

Cet axe de valorisation indirecte, souvent négligé, utilise la donnée pour servir le développement de l’image de marque de l’entreprise, notamment par le biais de solutions de data visualization. La mesure de l’impact financier de cette démarche est ardue.

 

Ceci étant posé, la valorisation des données requiert in fine sa « mise en action ». Celle-ci s’obtient au travers de la mobilisation de solutions technologiques pour le marketing.

Pour conclure par une tautologie, la valorisation des données n’est possible que si ces dernières sont collectées, traitées et stockées de manière adéquate. En matière de données de navigation web, on aura recours au plan de tagage.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *