Aller du sens dessus-dessous vers le sens au-dessus de tout

1. Aller du
sens dessus-dessous
vers le sens
au-dessus de tout
L'UNIVERS DES RISQUES EST-IL EN EXPANSION ?
C'est la question que Denis Kessler, patron de
SCOR, un des leaders mondiaux de la réassurance,
a soulevé lors d'une récente conférence. Et sa
réponse est clairement oui !
Alors que l'on a pu penser au début de l'époque
moderne que les risques allaient décroître avec
l'avènement de la science, force est de constater
qu'il n'en a rien été. Les risques naturels (volcans,
tsunamis, etc.) ne se sont pas plus nombreux
qu'avant mais leurs effets sont démultipliés par le
développement de la population humaine. Et de
nouveaux risques, crées par l'homme lui-même, sont
apparus (effet de serre lié à l'énergie carbonée,
risque associé à l'énergie nucléaire, etc.). Enfin, la
grande transformation en cours de nos sociétés
entraine un niveau d'interdépendance jamais vu
depuis les débuts de l'humanité.
Cette transformation bouleverse désormais
l'ensemble des secteurs de l'activité économique.
Les barrières à l'entrée se sont abaissées permettant
à de nouveaux acteurs d'investir des territoires vus il
y a peu encore comme impénétrables : Tesla,
nouveau constructeur automobile ou encore
Amazon, distributeur de stature mondiale et possible
numéro un demain.
Philippe Le Magueresse
Directeur Général Adjoint d’OpinionWay
Copyright © OpinionWay 2017

2. La chaine de valeur s'est déplacée dans les missions amont des entreprises
(conception, design, marque, organisation logistique) ou de distribution aux
dépens de la production. Cette production est désormais largement
mondialisée : les entreprises leaders contrôlent l'amont et l'aval de la chaine
de valeur et font appel à des très nombreux soustraitants pour produire les
articles qu'elles ont conçus et qu'elles écoulent (cf. Pierre Veltz – La société
hyper industrielle).
Cette économie des entreprises « plate-forme » augmente les interactions et
les interdépendances dans la sphère de production mais stimulent
également les relations
Les consommateurs, qui se s ces de cette
transformation, ont accentué ses effets en adoptant de nouveaux
comportements, de nouvelles pratiques. Ils ont notamment pleinement tiré
parti des trois révolutions du WEB selon la terminologie que j'emprunte à
Caroline Faillet (cf. L'art de la guerre digitale). Le Web 1.0 leur a permis de
s'informer et de renverser l'asymétrie d'information entre les consommateurs et
les marques. Le Web 2.0 leur a permis de se mobiliser au travers des réseaux
les transforme en consommateur augmenté : il
devient loueur (de sa maison, de sa voiture, -
formes de crowd funding), prescripteur (au travers des blogs spécialisés en
cuisine, en beauté, etc.) ou encore co-créateur (cf. le cas Lego).
Se développe donc côté consommateur aussi un grand nombre
d'interactions. Toutes ces interactions, ces interdépendances ont pour
conséquence de rendre le monde beaucoup moins prévisible et sujet à des
crises extrêmement aigües : crises sanitaires pour des
scandales pour des marques, rupture d'approvisionnement pour des
entreprises, etc. Autant de témoignages qui étayent ce constat. C'est dans
ce contexte de risque accru, de prévisibilité réduite que les décideurs doivent
opérer des choix, des choix plus incertains, des choix dont les conséquences
peuvent se révéler plus désastreuses. De nombreuses sociétés ont rejoint,
rejoignent ou rejoindront, la société Kodak, une des premières victimes de ce
nouvel environnement.
« A MESURE QUE CROÎT LE DANGER,
CROÎT AUSSI CE QUI SAUVE »
Cette citation du poète Hölderlin n'est pas récente, il s'est éteint voici plus de
200 ans. Mais elle me semble d'une actualité brûlante ! Le danger qui croît
aujourd'hui pour les décideurs, c'est donc les risques, l'imprévisibilité croissante
du monde qui nous entoure. Et qu'est-ce qui pourrait croître et sauver dans le
même temps ? Les données ! Corolaire du nombre croissant d'interactions et
de la révolution numérique, le volume de données croît lui aussi de façon
exponentielle. Le calcul de ce volume fait apparaitre sa démesure : 40
milliards de milliards de données exploitables en 2020 (source Hub One). A
priori, c'est encore plus que le nombre de grains de sable sur la terre !
La donnée, naguère encore coûteuse et longue à produire, se génère à très
grande vitesse et à (relativement) peu de frais. On pense bien entendu au
Web, à toutes les traces que nous tous laissons et à tous les signaux que nous
tous émettons sur la Toile.
Copyright © OpinionWay 2017

3. On pense aussi aux organisations au sens large (entreprises, institutions, etc.)
qui produisent toujours plus de données sur leurs clients par exemple au
travers de bases de données CRM, des interactions générées sur les chats,
des pages Facebook, etc. On pense encore au développement des
applications smartphones, des objets connectés, des plate-formes
collaboratives qui génèrent également de grandes quantités données.
Et on pourrait penser encore à de nombreuses sources. Ces données peuvent
être produites pour le seul usage de leur propriétaire, mais on observe
également que de plus en plus d'organisations décident de mettre à
disposition tout ou partie des données qu'elles produisent, de façon plus ou
moins ouverte. La France est devenue le 4ème pays Open Data dans le
monde (Voir le baromètre de l'open data publié par World Wide Web
Foundation).
Alors comment faire pour que ce développement des données puisse aider
les décideurs à mieux naviguer dans cet océan d'incertitudes, en évitant les
favorables ?
La pire situation, et elle est tout sauf impossible, serait que ce déluge de
données ne se transforme en écueil supplémentaire pour les décideurs,
ajoutant en-core à la confusion ambiante, nourrissant le sens dessus dessous.
Ces données supplémentaires, pour qu'elles aident à la décision, doivent être
contextualisées. Il s'agit de leur donner du sens, c'est-à-dire de transformer la
data en information, et l'information en connaissance
connaissance en décision.
Les instituts d'étude disposent de sérieux atouts pour le faire me semble-t-il.
Fondamentalement, le développement de cette activité économique
repose sur le besoin des décideurs de réduire les risques pris (« Dois-je investir
dans cette nouvelle usine, dans cette campagne publicitaire, etc. ?) ou de
saisir les opportunités de marché (« Y-a-t-il un potentiel pour mon offre dans
ce pays, auprès de cette cible? »).
Par ailleurs, la connaissance accumulée par les instituts sur les
consommateurs, les marchés permet de contextualiser ces données, de les
mettre en perspective. Bref, de leur donner du sens !
Quel talisman peut permettre aux instituts de répondre à ce d
L'hybridation de ces nouvelles sources de données avec les données
déclaratives, coeur de leur métier historique. Les données déclaratives
éclaireront les observations faites sur les données non déclaratives, les
données déclaratives apporteront de la robustesse (fréquence, volume, etc.).
Le fruit de cette hybridation sera le sens donné à l'ensemble.
Au-delà, et cela nous semble également un bel et noble idéal, cette
approche nous évite de nous en remettre aux seuls algorithmes pour remettre
l'humain au centre de tout. Cela demande en revanche de la part des
instituts la capacité à acquérir de nouvelles compétences et/ou de s'associer
pour leur permettre de disposer de tout l'éventail nécessaire des savoir-faire à
la mise en oeuvre de cette promesse.
CONTRE QUOI CE CHANGEMENT DOIT-IL LUTTER
POUR ADVENIR ?
Copyright © OpinionWay 2017

4. Comment expliquer que cette approche soit pour le moment relativement
faiblement utilisée par les annonceurs ? A quelles résistances devons-nous
faire face ?
Disposer des compétences techniques et des outils permettant de traiter des
volumes importants de données est une nécessité. Il ne faut ni négliger cette
question ni l'ampli
de données n'est pas tout à fait une nouveauté par exemple !
Dans toute évolution, le facteur technique est cependant rarement le facteur
bloquant. Un autre frein pour cette hybridation, plus robuste, est la croyance
selon laquelle il est possible de tout faire avec les données non déclaratives.
Dans tout à fait entendable. Je
pense par exemple aux ajustements tactiques, aux optimisations dans les
relations ou les interactions digitales. Des protocoles d'A/B testing peuvent
tout à fait répondre à ces besoins, sans nécessité d'intégrer un retour
consommateur, sinon par son comportement, sa réaction aux différentes
variantes testées.
Mais lorsque le balancier va trop loin, que cette posture est érigée en
paradigme – et j'ai le sentiment que nous en sommes là aujourd'hui -
interroger le client de façon déclarative ne sert à rien. Le consommateur
raconte n'importe quoi. Il ne sait pas ce qu'il veut, et, si on l'avait écouté,
Henri Ford aurait fait des carrosses à huit chevaux pour aller plus vite et
n'aurait pas inventé la Ford T. Bref, il devient l'empêcheur de tourner en rond !
Réduire l'individu à son comportement passé ou aux comportements passés
de ses semblables (ses « look alike ») pour déterminer son comportement à
l'avenir nous parait être une posture contestable à plusieurs titres. N'est-il pas
incongru à l'heure où l'on constate partout l'autonomisation, l'encapacitation
du consommateur (je préfère l'inspiration canadienne à l'anglicisme «
empowerment » !) de se passer de son expression ? N'est-il pas étonnant de
au contraire de son inclination à collaborer, de tirer parti de la
force de la multitude selon le bon mot de Nicolas Colin et Henri Verdier (Voir
l'ouvrage « L'âge de la multitude), de ne pas négliger un des (f)acteurs clés
du succès des marchés bi-faces (Jean Tirole) ?
Plus simplement, la réaction des consommateurs aux approches trop directes,
consommateur entraine de sa part un rejet. Une enquête conduite pour l'IAB
sur le taux d'utilisation des Ad Blockers par les Français indique une progression
de 30 à 36 % en l'espace de 12 mois. La question, sensible dans l'opinion
publique, de la propriété des données et de l'usage des données
personnelles se pose aujourd'hui et sera probablement plus aigüe encore
demain, au moins dans les pays européens. On voit bien qu'il y a besoin d'un
ti données personnelles en accord et en
transparence avec ceux qui les génèrent, les consommateurs.
En ité des modèles qui ne reposent que sur des données
comportementales n'est pas non plus toujours au rendez-vous. La formule
désormais célèbre « corrélation n'est pas causalité » mérite d'être redite et
méditée. Je vous invite à vous rendre sur le site : http://tylervigen.com (un
excellent antidépresseur). Vous y verrez des corrélations comme celle-ci : Il
existe une corrélation temporelle entre le nombre de personnes qui se sont
noyées en tombant dans une piscine et le nombre de esquels
Nicolas Cage est apparu (une conséquence sans doute de son rôle dans le
).
Copyright © OpinionWay 2017

5. Les logiciels de visualisation, s'ils permettent des représentations attractives,
n'offrent pas toujours beaucoup d'éclairage : les données utilisées manquent
souvent de représentativité comme le fait justement remarquer Dominique
Cardon. Je vous oriente d'ailleurs vers son ouvrage (« A quoi rêvent les
algorithmes ? ») pour une analyse approfondie de toutes les limites à ces
exploitations de données « désincarnées », comme « hors-sol ».
A tous ces freins liés à une con aveugle que l'on accorderait aux
algorithmes, s'ajoutent encore des freins majeurs non moins redoutables. Au
sein même des instituts et dans une certaine mesure également au sein des
annonceurs. Ce sont les freins humains au
avons tous à quitter nos habitudes !
Pendant des décennies, pour de nombreuses problématiques, nous n'avions
pas d'autres choix en institut que d'interroger les répondants de la cible visée
pour obtenir certaines informations : « Combien de fois par jour ouvrez-vous
votre réfrigérateur ? Combien de temps passez-vous devant les écrans ? Etc.
». Ces besoins entraînaient de longs questionnaires et des réponses
nécessairement imprécises. Nous connaissons les limites et les biais de ce type
d’interrogation ; les travaux de l'économie comportementale, consacrés par
la remise du prix Nobel d'économie à Daniel Kahneman en 2002, sont passés
par là. Le développement de capteurs, d'objets connectés, de collectes de
données ouvrent des possibilités de, progressivement, substituer ces données
aux données déclaratives. Cela tombe bien : les répondants ont toujours
envie de donner leur avis mais moins de remplir de longs questionnaires. A
nouveau, à mesure que la menace croît, croît aussi ce qui sauve !
Mais que va-t-on recueillir alors comme données auprès des répondants ? Il
s'agit alors de recentrer l'interrogation sur les perceptions, les ressentis, les
attitudes, les notoriétés, les intentions, etc. L’objectif du marketing reste
es opinions, les comportements… encore faut-il les mesurer ! On
m'objectera peut-être que, là-aussi, les réponses seront biaisées et qu'il vaut
mieux mesurer le ressenti en équipant par exemple avec une sonde
électroder- male ou en contrôlant la dilatation de la pupille. Ces méthodes
sont clairement utiles, mais présentent elles-aussi des biais (je pense par
exemple, à l'effet laboratoire) et des contraintes de faisabilité
d'équiper de larges échantillons avec tout cet appareillage), voire des limites
ques ou éthiques. Les nouvelles sources de données non déclaratives
vont alors servir de « variables causales », elles viennent expliquer les mesures
déclaratives, ce qui peut provoquer telle perception, nourrir telle image,
générer tel comportement.
Nous observons également l'existence de logique de silos chez les
annonceurs qui peuvent nuire à l'exploitation des différentes sources de
données présentes chez eux. C'est dommage de ne pas considérer cet actif
comme « un bien commun » pour reprendre une autre formule heureuse de
Jean Tirole.
QUELS BENEFICES DE CETTE HYBRIDATION ?
L'hybridation des données déclaratives avec des données non déclaratives,
dans le cadre et l'esprit que nous avons esquissés précédemment, nous parait
une voie prometteuse pour de nombreuses situations. En voici deux exemples
concrets.
Copyright © OpinionWay 2017

6. Second exemple pour illustrer les avantages de notre approche : le secteur
de la mobilité. Les pratiques de mobilité sont un cas ty
auxquelles les acteurs des données déclaratives sont confrontés. La mesure
des pratiques est délicate : quelle durée de déplacement ? Quels modes
utilisés ? A quelle fréquence ? Autant de données qui font appel à la
mémoire des répondants.
En revanche, solliciter les répondants sur la notoriété, l'image, l'intention, les
attitudes des différents modes de transport ou bien encore leurs perceptions
de leur pratique (par exemple, leur façon de conduire) ou en
de cadrage (possession du per mis de conduire, type de véhicule possédé,
etc.) ne pose pas de problème. C'est souvent même la seule solution pour
obtenir ces précieuses informations ! Imaginez maintenant que nous couplions
ces informations à une application qui permet d'enregistrer les déplacements
de ces répondants qui ont donné leur l'aide
d'algorithmes, le type de moyen de transport utilisé par exemple.
Imaginez également que nous couplions ces données à des sources de
données ouvertes / accessibles comme la météo ou des informations
routières. Il est alors possible de dr des
pratiques (ne reposant pas sur le souvenir et avec une bonne exhaustivité des
pratiques réelles) et de les croiser avec les données d'opinion pour ouvrir de
nouvelles pistes de compréhension de la mobilité, de développement de
nouvelles offres ou comportements à risque.
Notre environnement se caractérise pour les décideurs par sa grande
imprévisibilité. Pourtant ils ont toujours besoin d'effectuer des arbitrages pour
diriger au mieux et faire prospérer leurs activités. Les données, désormais
disponibles à profusion, peuvent nourrir, éclairer les décideurs dans leurs
choix.
Tout type de données a ses limites. Notre nouvel environnement met en
lumière les limites des données déclaratives lorsqu'elles sont utilisées, faute de
mieux, pour opérer un certain nombre de mesures (comportements passés
très précis par exemple). Recentrées sur les ressentis, les perceptions, les
opinons, les attitudes, Etc. ces données déclaratives redeviennent
particulièrement précieuses, dans notre nouveau contexte marqué par
l'importance de la relation et du lien.
Le déluge de données non déclaratives apparait comme la panacée. Des
données parées de toutes les vertus et capables de permettre la meilleure
prise de décision. N'attendons pas les déconvenues consubstantielles aux
panacées pour prôner, ici comme dans de nombreux domaines,
l’hybridation. Les instituts ont à mon sens un rôle majeur à jouer. De
l'hybridation de ces deux types de données peut naître une boussole qui
donne le sens, qui aide les décideurs dans leurs choix. La quête de sens
pardessus tout.
De nombreuses sociétés, en particulier dans le commerce, sont équipées de
longue date en CRM. Ces outils sont exploités pour optimiser la relation
client…et surtout le ROI de chaque client (encore une question de posture !).
Ils permettent de décomposer le CA de l'enseigne auprès des clients qui sont
dans la base : le client achète-t-il plus ou moins fréquemment ? Le panier
moyen est-il plus ou moins élevé ? La variété des catégories de produits
achetées est-elle plus ou moins étendue ? Etc.
Il est possible également de mesurer les impacts de telle ou telle action
(campagne e-mailing, campagne de communication, soldes, etc.) et
réactives. La construction de segmentations est pratique
courante aussi. La recherche de corrélations et la modélisation, en
développement. L'idéal d'une fusion CRM/DMP, exprimé.
Que nous permettent toutes ces données ? Ces informations expliquent le
comment. Comment se construit le CA ?
Ces informations permettent de regrouper des individus qui ont le même
comportement, les mêmes réactions à des stimuli ; et de trouver des liens, des
corrélations entre des variables et pour produire des scénarios d'activation de
la base. Par exemple, la mise en place de segmentations RFM (Récence,
Fréquence, Montant) pour optimiser la communication et les moyens
rs. Ce n'est pas rien, d'autant que tout
Avantage non négligeable dans des sociétés fortement dirigées par les
Mais ces informations ne nous disent rien sur le pourquoi ! Pourquoi un client
achète-t-il telle et telle catégorie mais pas une autre, pourquoi vient-il à telle
fréquence, pourquoi lit-il certains emails et pas d'autres ? Cette approche
CRM conduit donc à regrouper, sous prétexte que leurs comportements sont
semblables, des individus qui agissent pour des motivations différentes.
Hybrider ces données avec des données déclaratives collectées auprès d'un
échantillon représentatif des membres de la base va permettre d'apporter de
la compréhension. Par exemple, se rendre compte qu'au sein d'un segment
comportemental, on trouve deux types de populations qui ont certes des
comportements comparables par construction (achat de même nature et
pour des montants proches par exemple) mais avec des situations différentes
: dans un groupe, tous les achats ou presque sont effectués chez ce
commerçant tandis que pour l'autre groupe, les achats dans cette enseigne
ne représentent qu'une partie des achats de ces clients. Ou plus
e groupes n'ont pas le même engagement vis-
à-vis de l'enseigne. On voit bien que les décisions à prendre ne sont pas les
mêmes…et que pourtant les actions mises en place seront les mêmes.
Avec l'hybridation, les décisions deviennent plus incarnées, moins
mécaniques. Très bien me direz-vous, mais comment mettre en place mes
décisions si je ne dispose des données déclaratives que sur un échantillon de
ma base CRM ? Plusieurs solutions permettent de résoudre cette
problématique. La première consiste à identi er les données déclaratives
essentielles à la segmentation et à récolter ces informations à l'occasion de
contacts avec les clients (email, venue sur le site/en magasin…). Une
seconde solution repose sur l'utilisation de techniques de modélisation pour
prédire à partir des données CRM à quel segment déclaratif le client
appartient. Ces deux approches sont en fait complémentaires et la
modélisation des données CRM peut aider à la nition des données
déclaratives à récolter en priorité.
Copyright © OpinionWay 2017
Copyright © OpinionWay 2017