BIG DATA POUR LES GRANDS, BIG DATA POUR LES PETITS

Au commencement était le volume. Et puis est venue l’hétérogénéité. Et finalement les usages… Et c’est à cet instant qu’on comprit que Big Data pouvait rimer avec Small Business.

 

UN BESOIN NOUVEAU SUR DES USAGES ADAPTÉS PME / ETI

 

Un volume d’affaires croissant

 

Si le Big Data s’est d’abord imposé sur la cible des grands groupes ou des PME technologiques, les années 2015 ont prouvé que les PME/ETI non technologiques étaient également demandeuses de produits et services « data » à des fins d’optimisation.

La BPI estime ainsi en 2015 que 100 000 entreprises non technologiques ou fonctions non techniques pourraient ainsi bénéficier des bienfaits du Big Data.

 

Des usages fonctionnels comparables aux Grands Groupes

 

Sans surprise, les usages de ces outils dans un contexte PME/ETI correspondent assez largement à ceux de leurs homologues Grands Groupes. Le ciblage sur certaines fonctions est cependant plus marqué, les PME ayant souvent la capacité d’identifier plus facilement leurs besoins immédiats et de recourir à des outils technologiques uniquement sur les usages qu’elles estiment nécessaires.

 

 

 

MARKETING

Si elles disposent de données de facturation et de données de mailings, les PME sont de plus en plus demandeuses de données externes (réseaux sociaux, données de logs) pour procéder à l’acquisition de nouveaux prospects ou renchérir l’engagement de leurs bases. Sur le terrain du data marketing, les outils CRM et surtout DMP se développent pour croiser les différentes sources de données, déterminer des parcours comportementaux et produire de la connaissance client 360°. Quant à la relation client, elle bénéficie d’outils efficaces de suivi individualisé de commandes et de produits qui épargnent aux fournisseurs PME/ETI la lourde tâche de mettre en place des organisations de type call centers ou SAV.

 

 

 

exemples d’optimisation des campagnes marketing

Des start-ups comme Happn (site de rencontre) témoignent de l’utilisation intensive qu’elles font d’outils de mailings et d’analytics comme Mailjet pour localiser leurs campagnes de pushs auprès de leurs bases (newsletters, messages de bienvenue, communications sur les événements locaux).

 

 

Autre exemple : Cruiseline, PME de 300 employés spécialisée dans la commercialisation de croisières et voyages de luxe s’est appuyée sur les algorithmes de tinyClues pour détecter les signaux faibles au sein de ses clients CRM et n’envoyer que des pushs ciblés. Résultat : des campagnes qui génèrent 2 à 5 fois plus de revenu que les campagnes traditionnelles.

 

Capture du site internet Cruiseline

 

 

 

 

LOGISTIQUE / OPÉRATIONS

Grâce à leur taille limitée, les PME/ETI sont souvent capables d’identifier les segments à faible productivité ou à rendements décroissants dans leurs activités. Une approche data formalisée par des logiciels BI/ERP croisés avec des données complexes (capteurs IoT, données contextuelles…) peut alors permettre de cibler plus précisément les facteurs de performance et enclencher une démarche d’optimisation. Avec à la clé une réduction des coûts souvent synonyme de réallocation bienvenue des ressources pour l’entreprise.

 

 

 

exemples d’applications d’optimisation opérationnelle

La BPI donne l’exemple de la coopérative agricole InVivo qui, à travers des capteurs connectés, analyse et transmet aux agriculteurs des données ciblées sur la nature de leurs sols, les conditions météorologiques et le contexte agronomique pour leur permettre d’améliorer leurs rendements (traitement et arrosage des ressources au plus près des besoins).

 

 

Même constat côté logistique transports : la géolocalisation des transporteurs croisée aux données de production des agriculteurs a permis de diminuer le coût de la production de betteraves de 10%, le transport étant un des postes de dépenses les plus importants pour la production de sucre.

 

 

 

 

 

NOUVEAUX SERVICES / AMÉLIORATION DU SERVICE EXISTANT

De nombreuses PME modifient leur proposition de valeur pour intégrer le Big Data (nouvelles données, nouveaux outils) et être capable d’offrir à leurs clients des services supplémentaires optimisés dans leur approche, voire radicalement innovants.

 

 

 

exemples de PME d’usageS créées ou optimisées autour du Big Data :

 

 

Création du logiciel SPH-flow qui modélise les écoulements de fluides rapides et complexes. Avec pour utilisation : la lutte contre l’aquaplaning chez Michelin, la détection des écoulements de cuves de fret chez GTT ou encore le calcul de performance des turbines chez Alstom.

 

 

Créée en 2005, la société NeoPark a toujours construit sa proposition de valeur sur l’agrégation de données facilitant la recherche de places de parking (cartographie de stationnement, géolocalisation). Grâce aux outils Big Data, l’entreprise a pu évoluer pour lancer le site

« Où me garer » puis « Neoparking » qui propose un comparatif et une réservation de places de parking sur tout le territoire français et en Europe.

 

 

Créée en 2016, la start-up Owkin s’est rapidement imposée sur le marché de la santé en proposant des algorithmes de prédiction à l’œuvre dans la détection et le diagnostic du cancer. Essais cliniques, automatisation des diagnostics personnalisés, évaluation de l’impact des facteurs de risques, scénarii prédictifs… la nouvelle start-up est un des grands espoirs du secteur.

Le point de vue

DE Cyrille Chausson,

LeMagIT

Interview

QUELS SONT LES FREINS ENCORE IDENTIFIÉS À L’ADOPTION DU BIG DATA PAR LES PETITES STRUCTURES ?

 

En 2015 dans son étude « Modèles, data et algorithmes », la BPI soulignait que, si les PME représentaient 50% de l’économie, 80% d’entre elles n’avaient pas conscience de la valeur que pouvait leur apporter le Big Data. Pire : 65% d’entre elles se déclaraient intéressées mais sans bien comprendre comment ces outils fonctionnaient ni comment les utiliser.

 

Les chiffres ont probablement baissé depuis cette étude de novembre 2015 mais les clichés ont la vie dure : pour beaucoup, le Big Data reste synonyme de grands volumes de données et n’est donc pas adapté à la sphère des PME. La lourdeur d’une infrastructure Big Data (coûts, temps passé) par rapport au gain escompté constitue le principal argument-frein à l’adoption du Big Data.

Avec l’arrivée du Cloud, l’argument du coût de stockage a quelque peu diminué mais il n’en reste pas moins qu’une solution Big Data, même en SaaS peut se chiffrer en quelques milliers d’euros. Le vice-président de MapR déclarait ainsi en 2015 dans le journal Chef d’Entreprise qu’une solution Hadoop de démarrage coûtait environ 60 000€… Des montants difficilement acceptables pour les PME.

Autre difficulté : la présence ou non de data analyste dans la PME. Si une démarche Big Data peut être activée via des outils et des infrastructures, elle aura besoin de data analystes pour porter ses fruits en termes de valeur opérationnelle. Avec pour corollaire des salaires d’entrée dans l’entreprise qui doivent être compétitifs face aux grands groupes… un autre surcoût à absorber pour l’entreprise.

Conséquence : la plupart des PME utilisatrices externalisent ces services Big Data, à la fois sur le stockage (Cloud) et le traitement/analyse (sociétés spécialisées), pour mieux se recentrer sur l’intégration métier de ces solutions.

 

A ce titre, les PME ont certainement une longueur d’avance sur leurs homologues Grands Groupes, mieux équipés mais parfois peu opérationnels dans leurs usages.

 

retour au sommaire