Accueil
Le Leadership Digital
La valorisation des données

La valorisation des données est la source majeure de la création de valeur par le Digital

Notre point de vue sur la valorisation des données :

Notre point de vue sur la valorisation des données :

La valeur des données

La valeur des données
  • La valeur d’une donnée est conditionnée par :
    • son contenu informationnel, c’est à dire ce que l’on peut en faire (détecter une tendance, prendre une décision, initier une action, construire un modèle prédictif, …),
    • sa qualité (elle reflète fidèlement une réalité tangible),
    • sa rareté (elle n’est pas librement disponible sur le marché),
    • sa fréquence de mise à jour (alignée ou pas sur la fréquence des variations du phénomène qu’elle reflète),
    • son intégrité (sa conservation et son accessibilité n’altère pas sa qualité),
    • l’étendu de l’historique disponible.
  • La valeur des données d’une organisation provient de la valeur individuelle de ses données et des relations qu’elle est capable d’établir entre ces données.
  • La valeur du patrimoine de données d’une organisation provient donc de la capacité de celle-ci à extraire les données, les sécuriser, les organiser, les stocker et les exploiter.
  • De nombreuses études ont montré que seulement 5 à 10% des données disponibles sont aujourd’hui pleinement exploitées.
La valeur des données
  • La valeur d’une donnée est conditionnée par :
    • son contenu informationnel, c’est à dire ce que l’on peut en faire (détecter une tendance, prendre une décision, initier une action, construire un modèle prédictif, …),
    • sa qualité (elle reflète fidèlement une réalité tangible),
    • sa rareté (elle n’est pas librement disponible sur le marché),
    • sa fréquence de mise à jour (alignée ou pas sur la fréquence des variations du phénomène qu’elle reflète),
    • son intégrité (sa conservation et son accessibilité n’altère pas sa qualité),
    • l’étendu de l’historique disponible.
  • La valeur des données d’une organisation provient de la valeur individuelle de ses données et des relations qu’elle est capable d’établir entre ces données.
  • La valeur du patrimoine de données d’une organisation provient donc de la capacité de celle-ci à extraire les données, les sécuriser, les organiser, les stocker et les exploiter.
  • De nombreuses études ont montré que seulement 5 à 10% des données disponibles sont aujourd’hui pleinement exploitées.

Les leviers de valorisation des données

Les leviers de valorisation des données
  • Sensibiliser les métiers et les collaborateurs à la valeur de la donnée apparait être un pré-requis important à la valorisation des données.
  • Créer un référentiel de données unique pour créer une vision partagée du sens des données (par exemple une définition unique des différentes zones géographiques).
  • Regrouper et intégrer en temps réel toutes les données cohérentes provenant de différentes sources, pour créer, par exemple, une vison Client à 360°, chaque donnée enrichissant la valeur des autres.
  • Obtenir des clients davantage d’informations et le droit des les exploiter en échange de contenus ou de services.
  • Créer et monétiser de nouveaux services à partir des données disponibles.
  • Mettre en œuvre des outils, notamment le Machine-Learning, pour exploiter les données semi-structurées et non-structurées. aujourd’hui sous-exploitées,
  • Assurer l’accès aux données à davantage d’acteurs au sein de l’organisation et sous une forme plus intelligible et exploitable.
  • Renforcer la qualité des données par la mise en œuvre d’outils permettant d’effectuer des contrôles de cohérence, d’éviter les doubles saisies, …
  • Enrichir les données par l’intégration de données tiers comme des annuaires ou des bases de données tiers sur les clients, ou les données mises à disposition par les administrations en Open data (data.gov.fr/fr, datafrance.info, …).
  • Créer des API ou une « data market place », éventuellement en partenariat avec d’autres acteurs, pour créer un écosystème en mettant à disposition ses données (anonymisées ou agrégées) à des tiers, leur permettant ainsi de développer de nouvelles applications à partir de ces données. 
Les leviers de valorisation des données
  • Sensibiliser les métiers et les collaborateurs à la valeur de la donnée apparait être un pré-requis important à la valorisation des données.
  • Créer un référentiel de données unique pour créer une vision partagée du sens des données (par exemple une définition unique des différentes zones géographiques).
  • Regrouper et intégrer en temps réel toutes les données cohérentes provenant de différentes sources, pour créer, par exemple, une vison Client à 360°, chaque donnée enrichissant la valeur des autres.
  • Obtenir des clients davantage d’informations et le droit des les exploiter en échange de contenus ou de services.
  • Créer et monétiser de nouveaux services à partir des données disponibles.
  • Mettre en œuvre des outils, notamment le Machine-Learning, pour exploiter les données semi-structurées et non-structurées. aujourd’hui sous-exploitées,
  • Assurer l’accès aux données à davantage d’acteurs au sein de l’organisation et sous une forme plus intelligible et exploitable.
  • Renforcer la qualité des données par la mise en œuvre d’outils permettant d’effectuer des contrôles de cohérence, d’éviter les doubles saisies, …
  • Enrichir les données par l’intégration de données tiers comme des annuaires ou des bases de données tiers sur les clients, ou les données mises à disposition par les administrations en Open data (data.gov.fr/fr, datafrance.info, …).
  • Créer des API ou une « data market place », éventuellement en partenariat avec d’autres acteurs, pour créer un écosystème en mettant à disposition ses données (anonymisées ou agrégées) à des tiers, leur permettant ainsi de développer de nouvelles applications à partir de ces données. 

Quelques exemples de valorisation des données clients

Quelques exemples de valorisations des données clients

La création d’une vision client à 360° consiste à regrouper et enrichir toutes les données clients pour obtenir une connaissance client permettant :

  • d’éviter de demander plusieurs fois les mêmes informations à un client,
  • de personnaliser et de contextualiser les parcours clients,
  • d’anticiper les attentes, les moments de vie ou les déclencheurs d’achat des clients et donc de formuler des proposions commerciales pertinentes au moment le plus propice à la décision d’achat,
  • de calculer la rentabilité réelle par client et d’initier d’éventuelles actions correctrices,
  • d’adapter les actions Marketing et les offres aux caractéristiques du client (segment, position dans le cycle de décision, …), y compris les conditions tarifaires,
  • de choisir les meilleurs canaux et modes de communication avec le client,
  • d’effectuer des recommandations d’achat pour augmenter l’up-selling et le cross-selling,
  • d’anticiper les renouvellements de contrat ou de produit,
  • de détecter très tôt et de gérer le risque de perte d’un client,
  • de réduire la fraude Client,
  • de développer un portefeuille d’offres répondant à la demande des clients.
Quelques exemples de valorisations des données clients

La création d’une vision client à 360° consiste à regrouper et enrichir toutes les données clients pour obtenir une connaissance client permettant :

  • d’éviter de demander plusieurs fois les mêmes informations à un client,
  • de personnaliser et de contextualiser les parcours clients,
  • d’anticiper les attentes, les moments de vie ou les déclencheurs d’achat des clients et donc de formuler des proposions commerciales pertinentes au moment le plus propice à la décision d’achat,
  • de calculer la rentabilité réelle par client et d’initier d’éventuelles actions correctrices,
  • d’adapter les actions Marketing et les offres aux caractéristiques du client (segment, position dans le cycle de décision, …), y compris les conditions tarifaires,
  • de choisir les meilleurs canaux et modes de communication avec le client,
  • d’effectuer des recommandations d’achat pour augmenter l’up-selling et le cross-selling,
  • d’anticiper les renouvellements de contrat ou de produit,
  • de détecter très tôt et de gérer le risque de perte d’un client,
  • de réduire la fraude Client,
  • de développer un portefeuille d’offres répondant à la demande des clients.

Quelques exemples de valorisation des données opérationnelles

Quelques exemples de valorisations des données opérationnelles
  • La maintenance prédictive consiste à planifier des opérations de maintenance préventive selon les besoins spécifiques d’un équipement pour éviter la maintenance corrective, grâce à des algorithmes permettant de prévoir les pannes à partir des données remontant de capteurs sur les équipements. La maintenance prédictive permet de réduire les coûts de maintenance, d’accroître le taux de disponibilité et la durée de vie des équipements.
  • La modélisation de la demande par le croisement des données d’achats et des données externes (conditions météorologiques, conditions économiques, prix des matières premières, niveau de trafic routier, …) permet d’optimiser la capacité de production de façon tactique à court terme, ou plus stratégique à long-terme, que ce soit en termes d’équipements disponibles ou de personnels.
  • La modélisation de la demande permet également d’optimiser les approvisionnements,  les niveaux de stocks, la capacité logistique. 
Quelques exemples de valorisations des données opérationnelles
  • La maintenance prédictive consiste à planifier des opérations de maintenance préventive selon les besoins spécifiques d’un équipement pour éviter la maintenance corrective, grâce à des algorithmes permettant de prévoir les pannes à partir des données remontant de capteurs sur les équipements. La maintenance prédictive permet de réduire les coûts de maintenance, d’accroître le taux de disponibilité et la durée de vie des équipements.
  • La modélisation de la demande par le croisement des données d’achats et des données externes (conditions météorologiques, conditions économiques, prix des matières premières, niveau de trafic routier, …) permet d’optimiser la capacité de production de façon tactique à court terme, ou plus stratégique à long-terme, que ce soit en termes d’équipements disponibles ou de personnels.
  • La modélisation de la demande permet également d’optimiser les approvisionnements,  les niveaux de stocks, la capacité logistique. 

La valorisation des données par le décisionnel

La valorisation des données par le décisionnel
  • Les technologies décisionnelles ont pour objectif d’améliorer la qualité de la prise de décision en remplaçant l’intuition par l’analyse chiffrée en :
    • agrégant toutes données structurées pertinentes,
    • améliorant la présentation des données,
    • introduisant des outils de simulation, des modèles prédictifs ou prescriptifs.
  • Les technologies décisionnelles permettent ainsi notamment :
    • d’abaisser le barycentre décisionnel de l’organisation pour le rapprocher du client,
    • de raccourcir les cycles de décisions pour accroître l’agilité de l’organisation,
    • les prises de décision anticipée par l’identification en temps réel des tendances et des problèmes
    • de renforcer la conformité des circuits de décisions aux normes de l’organisation,
    • de faciliter la collégialité des prises de décision,
    • une plus grande transparence des analyses sur lesquelles s’établie la prise de décision,
    • une plus forte adhésion aux décisions et donc un meilleur engagement des collaborateurs.
  • En permettant au plus grand nombre de collaborateurs d’avoir accès à des informations utiles, les technologies décisionnelles contribuent à améliorer la qualité des données. 
La valorisation des données par le décisionnel
  • Les technologies décisionnelles ont pour objectif d’améliorer la qualité de la prise de décision en remplaçant l’intuition par l’analyse chiffrée en :
    • agrégant toutes données structurées pertinentes,
    • améliorant la présentation des données,
    • introduisant des outils de simulation, des modèles prédictifs ou prescriptifs.
  • Les technologies décisionnelles permettent ainsi notamment :
    • d’abaisser le barycentre décisionnel de l’organisation pour le rapprocher du client,
    • de raccourcir les cycles de décisions pour accroître l’agilité de l’organisation,
    • les prises de décision anticipée par l’identification en temps réel des tendances et des problèmes
    • de renforcer la conformité des circuits de décisions aux normes de l’organisation,
    • de faciliter la collégialité des prises de décision,
    • une plus grande transparence des analyses sur lesquelles s’établie la prise de décision,
    • une plus forte adhésion aux décisions et donc un meilleur engagement des collaborateurs.
  • En permettant au plus grand nombre de collaborateurs d’avoir accès à des informations utiles, les technologies décisionnelles contribuent à améliorer la qualité des données. 

Sécurité et gouvernance des données

Sécurité et gouvernance des données
  • La norme ISO 27001 définie la sécurité des données comme confidentialité, intégrité et disponibilité des données, et propose une approche structurée pour assurer la sécurité des données.
  • La gouvernance de la donnée consiste à comprendre et gérer activement :
    • le référentiel de données,
    • les rôles et responsabilités pour les différentes données (saisie, consultation, modification, traitement, archivage, …),
    • la nature des sources des données,
    • les modalités de stockage et de sécurisation des données,
    • les technologies et algorithmes de traitement des données,
    • les modalités de restitution des données,
    • les moyens d’assurer la qualité, la confidentialité et la conformité des données avec les réglementations en vigueur dans les différents pays concernés.
  • Un grand nombre d’organisations se sont dotées d’un Chief Data Officer dont le rôle est de porter la stratégie et les initiatives de valorisation des données, et d’assurer la bonne gouvernance de la donnée.
  • Par ailleurs, le RGPD rend obligatoire la désignation d’un Chief Privacy Officer (CPO) ou Data Privacy Officer (DPO) dont le rôle est d’assurer le respect des réglementations quant à la confidentialité des données personnelles.
  • Certaines organisations ont mis en place un Comité de gouvernance de la donnée avec des représentants des métiers.
  • La communication de principes éthiques quant à la gestion des données, en particulier des données clients, au sein de l’entreprise et aux clients, apparait comme importante.
Sécurité et gouvernance des données
  • La norme ISO 27001 définie la sécurité des données comme confidentialité, intégrité et disponibilité des données, et propose une approche structurée pour assurer la sécurité des données.
  • La gouvernance de la donnée consiste à comprendre et gérer activement :
    • le référentiel de données,
    • les rôles et responsabilités pour les différentes données (saisie, consultation, modification, traitement, archivage, …),
    • la nature des sources des données,
    • les modalités de stockage et de sécurisation des données,
    • les technologies et algorithmes de traitement des données,
    • les modalités de restitution des données,
    • les moyens d’assurer la qualité, la confidentialité et la conformité des données avec les réglementations en vigueur dans les différents pays concernés.
  • Un grand nombre d’organisations se sont dotées d’un Chief Data Officer dont le rôle est de porter la stratégie et les initiatives de valorisation des données, et d’assurer la bonne gouvernance de la donnée.
  • Par ailleurs, le RGPD rend obligatoire la désignation d’un Chief Privacy Officer (CPO) ou Data Privacy Officer (DPO) dont le rôle est d’assurer le respect des réglementations quant à la confidentialité des données personnelles.
  • Certaines organisations ont mis en place un Comité de gouvernance de la donnée avec des représentants des métiers.
  • La communication de principes éthiques quant à la gestion des données, en particulier des données clients, au sein de l’entreprise et aux clients, apparait comme importante.

Analytique ou Big Data ?

Analytique ou Big Data ?
  • Le Big Data a été caractérisé par les 3 V :
    • Volumes : le Big Data repose sur des technologies permettant de distribuer les données sur des clusters de servers et donc de gérer de très gros volumes de données,
    • Variété : le Big Data adresse aussi bien des données structurées que des données non structurées,
    • Vélocité : les technologies du Big Data permettent de traiter des flux ininterrompues de données.
  • Par opposition, l’analytique (ou la Business Intelligence) se caractérise par :
    • des volumes plus faibles (jusqu’à quelques dizaines de To),
    • des données structurées,
    • des données plutôt statiques (c’est à dire dont la fréquence de remise à jour est l’heure ou la journée).
  • Alors que l’analytique s’appuie sur un data warehouse (ou Data mart) dont les données sont préparées et structurées en amont, le Big Data s’appuie sur un Data Lake dont les données sont brutes,
  • Les technologies du Big Data permettent de faire beaucoup plus que les technologies analytiques mais elles sont plus complexes, lourdes et coûteuses à mettre en œuvre, et connaissent une obsolescence beaucoup plus rapide.
  • Les outils de l’analytique peuvent être utilisés par les utilisateurs métier alors que les outils du Big Data demande une expertise spécifique.
  • En particulier, le stockage et la gestion de petits volumes de données sont beaucoup plus coûteux avec les technologies du Big Data qu’avec les technologies analytiques.
  • Les experts estiment qu’en dessous de 100 To de données les technologies analytiques sont plus appropriées que celle du Big Data
Analytique ou Big Data ?
  • Le Big Data a été caractérisé par les 3 V :
    • Volumes : le Big Data repose sur des technologies permettant de distribuer les données sur des clusters de servers et donc de gérer de très gros volumes de données,
    • Variété : le Big Data adresse aussi bien des données structurées que des données non structurées,
    • Vélocité : les technologies du Big Data permettent de traiter des flux ininterrompues de données.
  • Par opposition, l’analytique (ou la Business Intelligence) se caractérise par :
    • des volumes plus faibles (jusqu’à quelques dizaines de To),
    • des données structurées,
    • des données plutôt statiques (c’est à dire dont la fréquence de remise à jour est l’heure ou la journée).
  • Alors que l’analytique s’appuie sur un data warehouse (ou Data mart) dont les données sont préparées et structurées en amont, le Big Data s’appuie sur un Data Lake dont les données sont brutes,
  • Les technologies du Big Data permettent de faire beaucoup plus que les technologies analytiques mais elles sont plus complexes, lourdes et coûteuses à mettre en œuvre, et connaissent une obsolescence beaucoup plus rapide.
  • Les outils de l’analytique peuvent être utilisés par les utilisateurs métier alors que les outils du Big Data demande une expertise spécifique.
  • En particulier, le stockage et la gestion de petits volumes de données sont beaucoup plus coûteux avec les technologies du Big Data qu’avec les technologies analytiques.
  • Les experts estiment qu’en dessous de 100 To de données les technologies analytiques sont plus appropriées que celle du Big Data

Nos offres connexes

Nos offres connexes :

Diagnostic de
maturité Digitale

Etablissez rapidement une vision partagée de votre situation présente et de vos enjeux de Transformation

En Savoir Plus

Stratégie Digitale

Offre Stratégie Digitale : formulez une vision, définissez une ambition, sélectionnez les initiatives à mener, et initiez une dynamique de Transformation

En Savoir Plus

Valorisation
des données

Mettez à profit l'immense gisement de valeur que représentent vos données

En Savoir Plus