Simplifiez-vous l'innovation

#astuce
catégories

#astuce
partage

#astuce
liens internes

bigdata_prediction_cover-yellow-innovation

3 business models pour le Big Data

Ariane
Ariane
21 mars 2017

Nous entrons maintenant dans une nouvelle phase de l’ère du Big Data, une phase de « prédiction » et non plus seulement de collecte.

Le Big Data fait maintenant partie de notre quotidien : Google nous envoie une estimation du temps qu’il nous faudra pour rejoindre notre destination, Amazon nous recommande un livre susceptible de nous intéresser étant donnés nos précédentes lectures, les voitures sans chauffeurs savent négocier un virage parce qu’il a été emprunté par des dizaines de conducteurs avant nous.

Jusqu’à présent, le Big Data était principalement une histoire de collecte des données. Les progrès se sont centrés sur le volume des données recueillies, la rapidité des flux (le temps réel se généralise), et la diversité du type de données récoltées. Un chiffre très souvent cité résume à lui-seul cette tendance : 90% des données dont nous disposons aujourd’hui ont été produites depuis moins de 2 ans (source). Il est vrai que le nombre d’adeptes du digital ne cesse d’augmenter, et que le panel d’activités auxquelles nous nous consacrons en ligne ne cesse lui aussi de croître. Nous laissons ainsi derrière nous de plus en plus de traces digitales promptement recueillies et monétisées par les intermédiaires numériques (sites de réseaux sociaux, plateforme de commerce en ligne etc.).

Le buzz autour de l’importance des Big Data a lui aussi battu son plein ces dernières années, et les entreprises ont été largement sensibilisées à l’importance de mettre en place des procédures en interne pour améliorer la collecte des données, passer au temps réel, décloisonner les silos internes.

Du Big Data au Machine Learning

Mais une fois ces mécanismes mis en place, que faire avec les montagnes de données recueillies ? C’est là qu’entrent en scène le « Machine Learning » (ML) et l’Intelligence Artificielle (AI). A vrai dire, ML et AI ne sont pas tombés de la dernière pluie. Cela fait plusieurs décennies que des compagnies comme IBM développent leur capacité d’analyse des données, à la fois en constituant des équipes d’ingénieurs spécialisés dans le domaine, et en investissant dans des ressources informatiques adéquates (des super ordinateurs) dont la puissance de calcul est à la hauteur du travail demandé. Ces efforts ont payé, et Watson (le module d’intelligence artificielle développé par IBM) a vaincu ses adversaires humains pour le jeu Jeopardy en 2011 grâce à ses progrès en traitement du langage naturel, et le système intelligent de Google a battu l’expert mondial du jeu de Go.

allo-yellow-innovation

De la collecte à la prédiction

La conjonction du développement des outils d’analyse, et l’augmentation récente du volume des données collectées, fait que nous entrons maintenant dans une nouvelle phase de l’ère du Big Data, une phase de « prédiction » et non plus seulement de collecte, qui va nous permettre de comprendre les tendances qui se cachent derrière les chiffres, de les extrapoler pour prévoir l’avenir et les goûts des consommateurs. Les entreprises peuvent ainsi prendre des décisions plus justes, plus rapidement.

La donnée est le nouveau pétrole (Big Data is the new oil)

Comment la data se convertit-elle en cash ? Rien de plus simple. Il existe principalement trois types de business models autour du Big Data (Source).

  1. La donnée comme service : Ce premier business model est destiné aux entreprises ou institutions qui génèrent une grande quantité de données, mais ne disposent pas en interne des moyens de les recueillir ni de les mettre en forme pour les soumettre à l’analyse. Beaucoup d’institutions publiques ont recours à ce modèle. Les municipalités génèrent par exemple des données sur les transports, et des compagnies peuvent s’en emparer pour leur propres utilisateurs. Les revenus générés dans ce modèle ne figurent en général pas parmi les plus élevés.
  2. L’information comme service : Dans ce cas, le produit fournit est directement l’information obtenue à l’issue de l’analyse des données. Les compagnies qui proposent à leurs utilisateurs de surveiller leur activité physique, comme le nombre de pas effectués dans la journée, correspondent à ce modèle. Les utilisateurs de Fitbit produisent les données, et ils paient pour leur visualisation sous forme graphique
  3. La recommandation comme service : Ce modèle est le plus lucratif. Dans ce scénario, le produit fournit est directement une recommandation précise adressée aux utilisateurs du service pour guider leurs choix de consommation. Les services comme Mint.com proposent à leurs utilisateurs de visualiser leurs comptes et les dépenses faites sur leurs différentes cartes de crédit pour avoir une vue unifiée de leur budget. En échange, Mint permet à des institutions financières de proposer leurs produits sous forme de recommandations personnalisées.

S’il y a une tendance de fond à retenir de ce moment de transition pour le Big Data, c’est qu’il est en train de s’effectuer un basculement de l’analyse du passé, vers celui de l’anticipation des comportements futurs. Ce basculement est facilité par l’automatisation des apps qui auront de moins en moins besoin d’être guidées par leur utilisateur, mais pourront s’autonomiser, c’est-à-dire se donner à elles-mêmes une suite de tâches à traiter en fonction des résultats obtenus à l’étape précédente.


Ariane
Ecrit par
Ariane Zambiras

Partagez cet article

Partager
Commentaires (0)
S’inscrire
à la newsletter