Big data : oĂč en sont les entreprises françaises ?

(Big) data : oĂč en sont les entreprises françaises ? Quelle maturitĂ© dans l'exploitation des donnĂ©es clients ?

Avant-propos (Big) data : difficile d’échapper Ă  cette dĂ©ferlante depuis quelques annĂ©es et, avec elle, au flot de thĂ©ories, analyses et commentaires sur ses promesses en termes d’efficacitĂ©, de performance et d’opportunitĂ©s de dĂ©veloppement de nouvelles offres et services ciblĂ©s. Si tout le monde semble s’ĂȘtre emparĂ© du sujet, des plus sceptiques, qui y voient une nouvelle bulle prĂȘte Ă  faire « pschitt », Ă  ceux pour qui il s’agit d’un vĂ©ritable big bang — du mĂȘme ordre que les prĂ©cĂ©dentes rĂ©volutions industrielles — force est de constater qu’à ce jour, la rĂ©volution Big data ne s’est guĂšre propagĂ©e au-delĂ  des modĂšles Ă©conomiques des grands acteurs globaux du digital. Les rĂ©sultats de cette enquĂȘte, menĂ©e auprĂšs de plus de 150 entreprises françaises, rĂ©vĂšlent qu’en dĂ©pit d’une perception majoritairement positive, le « Big data bang » n’a pas encore eu lieu dans la rĂ©alitĂ©. C’est ce que nous enseigne le passage au scanner de notre Indice EY de MaturitĂ© Data, spĂ©cialement conçu dans le cadre de cette Ă©tude : seule une minoritĂ© d’entreprises peut se targuer d’une maturitĂ© Ă©levĂ©e dans son exploitation de la data, tandis que la majoritĂ© adopte une posture attentiste, sans vĂ©ritablement savoir par quel bout prendre un concept devenu flou. Si ce retard s’explique par dix principaux freins d’ordre psychologique, stratĂ©gique, organisationnel ou technologique, que nous avons identifiĂ©s tout au long de la chaĂźne de valeur de l’exploitation (Big) data — de la collecte Ă  la sĂ©curitĂ© et la protection des donnĂ©es, en passant par l’analyse et la stratĂ©gie globale de l’entreprise — il peut toutefois ĂȘtre rattrapĂ© si l’exploitation (Big) data est intĂ©grĂ©e dans une stratĂ©gie et une vision globales. En effet, l'exploitation (Big) data n'est pas tant un problĂšme technique qu'un sujet de transformation des organisations et de leurs modĂšles Ă©conomiques. Elle relĂšve de la capacitĂ© Ă  convertir la data en connaissances, en innovation et en valeur pour les organisations. Bruno Perrin David NaĂŻm AssociĂ© AssociĂ© Ernst & Young et AssociĂ©s Ernst & Young Advisory Responsable du secteur Responsable du pĂŽle Technologies, MĂ©dias, TĂ©lĂ©coms StratĂ©gie, Marketing et Innovation (Big) data : oĂč en sont les entreprises françaises ?

Sommaire Quelques enjeux chiffrĂ©s de la (Big) data 4 I/ Les entreprises françaises Ă  l'Ă©preuve de l'Indice EY de MaturitĂ© Data 6 Exploitation de la data : quelle maturitĂ© pour les entreprises françaises ? 7 PalmarĂšs des secteurs les plus matures 8 II/ Exploitation de la (Big) data : 10 freins identifiĂ©s 12 La collecte de donnĂ©es clients encore sous-exploitĂ©e 13 Le traitement et l'analyse des donnĂ©es clients : des capacitĂ©s inadaptĂ©es 15 La data non perçue comme un support aux dĂ©cisions stratĂ©giques 22 Vie privĂ©e et sĂ©curitĂ© : des enjeux encore sous-estimĂ©s 24 III/ DĂ©ployer une stratĂ©gie (Big) data efficace : les leviers d'action 26 La rĂ©volution (Big) data n’a pas encore eu lieu 27 StratĂ©gie (Big) data : deux approches coexistent actuellement 29 Facteurs clĂ©s de succĂšs du dĂ©ploiement d’une stratĂ©gie (Big) data 30 Exploitation (Big) data : des freins aux leviers d'action 34 Études de cas 36 Note mĂ©thodologique 42 AbrĂ©viations 42 Quelle maturitĂ© dans l'exploitation des donnĂ©es clients ? | 3

Quelques enjeux chiffrĂ©s de la (Big) data Big data FREIN 6 43 % 18 % des entreprises ont Ă©tudiĂ© des entreprises ont des plans d'action l'opportunitĂ© Big data Big data en cours de dĂ©ploiement FREIN 1 FREIN 2 Collecte de la data Analyse de la data LimitĂ©e aux canaux traditionnels DonnĂ©es non structurĂ©es, le maillon faible 45 %2 45 % des entreprises des entreprises estiment collectent des donnĂ©es leurs donnĂ©es clients insuffisamment 3 analysĂ©es/exploitĂ©es texte non structurĂ©es FREIN 9 FREIN 10 Protection et sĂ©curisation de la data Triple enjeu de confiance, de fiabilitĂ© et de rĂ©putation 30 % 70 % 59 % 6 des entreprises ne se sentent pas des consommateurs des entreprises estiment concernĂ©es par les enjeux de vie sont rĂ©ticents Ă  partager que les menaces externes privĂ©e (privacy) leurs donnĂ©es personnelles sur les SystĂšmes d'information sont en hausse TransversalitĂ© et implication de la direction gĂ©nĂ©rale : des impĂ©ratifs FREIN 7 FREIN 8 tout au long du cycle de la data 4 | (Big) data : oĂč en sont les entreprises françaises ?

S our 1 c Indice EY de Maturité Data e : E 17 % Y 18 % des entreprises ont des plans d'action d'entreprises « trÚs matures » Big data en cours de déploiement dans l'exploitation des données clients FREIN 3 FREIN 4 Traitement et exploitation de la data Manque de compétences analytiques Carence des outils de traitement des données non structurées moins de 10 27 % 5 des entreprises ont mis en place des outils/ profils data process pour fiabiliser/exploiter par entreprise les données non structurées FREIN 6 FREIN 5 ROI des projets data Utilisation de la data L'absence de mesure du ROI peine Analyse de la data (trop) peu orientée à déclencher les investissements vers le temps réel et le prédictif 58 % 10 % des entreprises n'ont pas cherché des entreprises font à quantifier le ROI des investissements de l'analyse prédictive Big data 1 Cf. note méthodologique p.42 2 Ce pourcentage monte à 79 % si on intÚgre les données issues des images ou vidéos et à 84 % si on intÚgre les données sonores (enregistrements vocaux, musique, etc.) 3 Données non structurées : informations et contenus en provenance des emails, SMS, logs, avis clients, réseaux sociaux, vidéos, etc. 4 Data miner, data manager, data scientist, etc. 5 Pour 70 % de notre panel d'entreprises (cf. note méthodologique p.42) 6 Entreprises interrogées dans l'étude EY mondiale "Under cyber Attack - EY's Global Information Security Survey 2013" Quelle maturité dans l'exploitation des données clients ? | 5

I/ Les entreprises françaises Ă  l'Ă©preuve de l'Indice EY de MaturitĂ© Data 6 | (Big) data : oĂč en sont les entreprises françaises ?

AprĂšs la compĂ©tition entre les rĂ©seaux (TĂ©lĂ©coms et Technologies) et les contenus (MĂ©dias), la bataille s'articule dĂ©sormais autour de la data et s'Ă©tend Ă  l'ensemble des dĂ©tenteurs de donnĂ©es (publiques ou privĂ©es). Bruno Perrin AssociĂ© - Ernst & Young et AssociĂ©s - Responsable du secteur Technologies, MĂ©dias, TĂ©lĂ©coms Exploitation de la data : quelle maturitĂ© pour les entreprises françaises ? Afin de mesurer l’avancement des entreprises en matiĂšre L’Indice EY de MaturitĂ© Data a rĂ©vĂ©lĂ© que les entreprises les d’exploitation de leurs donnĂ©es clients, EY a construit l’Indice plus matures en matiĂšre d’exploitation des donnĂ©es clients se de MaturitĂ© Data. ‱ En savoir plus p. 42 distinguent par les critĂšres suivants : Cet indice agrĂšge des comportements et faits constatĂ©s ‱ Anticipation des enjeux stratĂ©giques liĂ©s Ă  une meilleure auprĂšs des entreprises interrogĂ©es, et non leurs dĂ©clarations utilisation des donnĂ©es internes et externes ; d'intention. Le passage au rĂ©vĂ©lateur de cet indice de ‱ DiversitĂ© des donnĂ©es collectĂ©es et des canaux de collecte maturitĂ© Ă©tablit un fort dĂ©calage entre le « buzz » que gĂ©nĂšre ‱ Constitution d’équipes de data scientists et autres experts le concept flou du Big data et la rĂ©alitĂ© de la maturitĂ© des data : grandes entreprises. ‱ Adoption de nouvelles technologies d’exploitation de la Certes, les entreprises françaises utilisent bien la data pour data ; mesurer et comprendre leur activitĂ© et l’environnement ‱ Prise en compte des enjeux de protection de la vie privĂ©e dans lequel elles Ă©voluent, mais cette exploitation de la et des donnĂ©es Ă  caractĂšre personnel (privacy) dans data est encore loin d’ĂȘtre systĂ©matique en ce qui concerne l’exploitation des donnĂ©es clients ; l’analyse fine des comportements de leurs consommateurs ‱ Anticipation du risque rĂ©putationnel. et les corrĂ©lations sous-jacentes, et encore moins en matiĂšre d’anticipation et de prĂ©diction. Indice EY de MaturitĂ© Data des entreprises Parmi les entreprises « trĂšs matures » Non matures Transports Grande consommation 9 % TrĂšs matures et distribution 56 % 20 % 17 % 42 % 27 % Autres 29 % secteurs Peu matures TMT* * Technologies, MĂ©dias, TĂ©lĂ©coms Quelle maturitĂ© dans l'exploitation des donnĂ©es clients ? | 7

PalmarĂšs des secteurs les plus matures Les deux secteurs les plus matures dans l’exploitation de la data sont les TMT (Technologies, MĂ©dias, TĂ©lĂ©coms) ainsi que celui de la distribution et des produits de grande consommation. Un rĂ©sultat guĂšre surprenant dans des industries oĂč la data est le pilier historique de la connaissance client et des stratĂ©gies de segmentation marketing associĂ©es. Secteur des TMT Le secteur des TMT est caractĂ©risĂ© par la quantitĂ© ‱ StratĂ©gie (Big) data colossale (amplifiĂ©e avec l’Internet des objets/ Pour les entreprises de rĂ©seaux notamment, objets connectĂ©s) de data disponibles dans les l’exploitation de la data permet une optimisation systĂšmes d’information. inĂ©dite du business (possibilitĂ© de prĂ©venir les ‱ Collecte des donnĂ©es dĂ©faillances rĂ©seaux, interruptions de services, rĂ©siliations d’abonnement
), le dĂ©veloppement En matiĂšre de remontĂ©e des donnĂ©es issues des de « services intelligents » et la valorisation de rĂ©seaux sociaux ou de l’open data, les TMT sont en donnĂ©es auprĂšs de tiers. Sur ce dernier point, Ă  deuxiĂšme position derriĂšre la grande distribution. titre d’exemple, les trois plus grands opĂ©rateurs Elles reprĂ©sentent le tiers des entreprises du panel de tĂ©lĂ©coms de Grande-Bretagne ont constituĂ© collectant des donnĂ©es sociales et le quart de une sociĂ©tĂ© commune, Weve, pour vendre Ă  celles ayant recours Ă  l’open data. des annonceurs les donnĂ©es (anonymisĂ©es) de leurs clients (donnĂ©es d’achat, donnĂ©es de gĂ©olocalisation, donnĂ©es Internet
). 8 | (Big) data : oĂč en sont les entreprises françaises ?

Dans les mĂ©dias, les modĂšles analytiques Ă  visĂ©e prĂ©dictive ‱ Outils et ressources sont dĂ©jĂ  largement utilisĂ©s. Les recommandations de sites C’est dans la grande distribution que les ressources humaines d’achats de biens et services culturels en ligne, tels que Netflix et informatiques (logiciels statistiques, solutions de ou Amazon, reposent sur des modĂšles capables de prĂ©voir ce visualisation) dĂ©diĂ©es Ă  l’analyse des donnĂ©es sont les plus qu’un individu serait en mesure d’apprĂ©cier au regard de ses nombreuses. La moitiĂ© des entreprises du panel EY dĂ©clarant achats antĂ©rieurs, mais aussi d’achats similaires effectuĂ©s par avoir recrutĂ© des experts data (data manager, data miner ou d’autres consommateurs, afin de lui proposer des produits en data scientist) appartient au secteur de la grande distribution. consĂ©quence. Ces sites sont emblĂ©matiques de la capacitĂ© Ă  formuler des recommandations pertinentes Ă  des audiences/ ‱ StratĂ©gie (Big) data cibles potentielles sur la base d’une analyse poussĂ©e de la « L’amĂ©lioration de la performance commerciale » est la data. premiĂšre raison invoquĂ©e par les entreprises du secteur, suivie ‱ Protection et sĂ©curitĂ© de trĂšs prĂšs par « l'amĂ©lioration de la connaissance client ». En effet, la data est prĂ©cieuse pour nouer une relation Les TMT sont au mĂȘme niveau de maturitĂ© que la grande d’engagement avec le client final, ĂȘtre en mesure de multiplier distribution pour la mise place des process internes de les points de contact et les occasions de recommandation tout fiabilisation des donnĂ©es non structurĂ©es, soit le tiers des au long de son parcours multi/cross-canal. Cela permet de lui entreprises concernĂ©es. Les TMT constituent la deuxiĂšme soumettre la bonne offre, au bon moment et au bon endroit industrie la plus mature en termes de sensibilisation aux (gĂ©olocalisation) et, au-delĂ , Ă©laborer des modĂšles prĂ©dictifs aspects de privacy. qui visent Ă  garder une longueur d’avance. C’est d’ailleurs la premiĂšre attente relative Ă  la mise en place d’une stratĂ©gie (Big) data dans le secteur de la distribution et des produits de Secteur de la distribution et des produits de grande consommation. grande consommation ‱ Protection et sĂ©curitĂ© Dans le secteur de la grande distribution, l’exploitation La grande distribution est le secteur le plus mature en (Big) data rĂ©pond Ă  trois enjeux opĂ©rationnels majeurs : la termes de mise en place des process internes de fiabilisation relation d’engagement avec le client final, la performance des donnĂ©es non structurĂ©es, soit le tiers des entreprises opĂ©rationnelle et la qualitĂ© et la cohĂ©rence des donnĂ©es concernĂ©es. C’est aussi l’industrie oĂč la sensibilisation aux remontĂ©es par l’ensemble des entitĂ©s du groupe (franchises et aspects de privacy est la plus affirmĂ©e : une entreprise autres filiales). sur trois considĂ©rant qu’il existe des enjeux de vie privĂ©e ‱ Collecte des donnĂ©es dans l’exploitation de la data appartient au secteur de la Les entreprises du secteur de la grande distribution sont distribution et des produits de grande consommation. celles qui remontent davantage de donnĂ©es des rĂ©seaux sociaux (plus du tiers des entreprises concernĂ©es), Ă©lĂ©ments clĂ©s pour connaĂźtre les parcours clients. Quelle maturitĂ© dans l'exploitation des donnĂ©es clients ? | 9

Exploitation de la (Big) data : des opportunitĂ©s Ă  saisir pour tous les secteurs d'activitĂ© Secteur des transports Avec la constitution de communautĂ©s oĂč le partage Le Big data est le nouveau carburant de la voiture de donnĂ©es s'organise, le comportement du voyageur connectĂ©e, et demain autonome, qu’il s’agisse de son — qui a aujourd'hui un mode de consommation nomade insertion dans un systĂšme de mobilitĂ© intermodal, de et mobile — est dĂ©sormais tracĂ© en temps rĂ©el pour lui services facturĂ©s Ă  l’usage (ex. : assurance), de la permettre de trouver le service rĂ©pondant Ă  ses besoins surveillance de son fonctionnement en continu ou du Ă  l'endroit oĂč il se trouve grĂące Ă  une analyse prĂ©dictive renforcement de la relation directe entre constructeurs de ses dĂ©placements. et utilisateurs. Christine Vitrac Jean-François BĂ©lorgey AssociĂ©e - Ernst & Young et AssociĂ©s - Responsable du secteur Transport en France AssociĂ© - Ernst & Young et AssociĂ©s - Responsable du secteur Automobile en France Secteur de la distribution et des produits de grande consommation TrĂšs tĂŽt, les secteurs Retail & Consumer Products ont dĂ©veloppĂ© une forte culture de la donnĂ©e client : la distribution via la fidĂ©lisation, les industriels via les Ă©tudes marketing, les panels, le gĂ©omarketing, les analyses sensorielles. Les pure players du e-commerce sont par ailleurs Ă  l’origine des avancĂ©es les plus significatives dans le domaine de l’exploitation business des donnĂ©es clients, en parvenant Ă  crĂ©er les nouveaux standards d’excellence de l’expĂ©rience client grĂące Ă  des ciblages trĂšs personnalisĂ©s, des moteurs de recommandations, ou encore des mĂ©caniques de promotions trĂšs Ă©laborĂ©es. Le Big data reprĂ©sente Ă  ce titre un vĂ©ritable dĂ©fi pour les acteurs plus traditionnels, auquel s’ajoute celui de la sĂ©curitĂ© et de la protection des donnĂ©es personnelles, fondements de la confiance du consommateur. David NaĂŻm AssociĂ© - Ernst & Young Advisory - Responsable du pĂŽle StratĂ©gie, Marketing et Innovation Secteur de l’énergie et des utilities Le secteur de l’énergie est Ă  l’aube d’une profonde mutation portĂ©e par la data, avec en particulier le dĂ©ploiement programmĂ© des compteurs intelligents. Le Big data est un des leviers majeurs qui permet de rendre les rĂ©seaux plus intelligents et plus sĂ»rs, et cela au moindre coĂ»t, tout en rĂ©pondant aux enjeux de la transition Ă©nergĂ©tique. Les donnĂ©es sont un Ă©lĂ©ment stratĂ©gique pour assurer une meilleure maĂźtrise de la demande d’énergie (eau, gaz, Ă©lectricitĂ©) tant Ă  l’échelle nationale que locale (smart cities), mais aussi ouvrir plus largement le marchĂ© et enfin accompagner l’émergence de nouveaux usages. Mohamed Larabi AssociĂ© - Ernst & Young Advisory 1010 || (Big) data : oĂč en sont les entreprises françaises ?

Secteur des services financiers – le marchĂ© de l’assurance Big data et enjeux de l’assurance connectĂ©e Le traitement de donnĂ©es massives et la construction d’indicateurs multiples sont au cƓur mĂȘme du mĂ©tier d’assureur et ont pour objectif de comprendre et d’évaluer les risques pour gĂ©nĂ©rer des souscriptions. Nos clients des services financiers ont conscience que la capacitĂ© Ă  exploiter et protĂ©ger ces donnĂ©es (donnĂ©es internes combinĂ©es aux donnĂ©es issues des rĂ©seaux sociaux, des dĂ©clarations de sinistres, des centres d’appel, des suivis de campagnes marketing, des agrĂ©gateurs de donnĂ©es web, des donnĂ©es personnelles [anonymisĂ©es], de l’open data, etc.) est clĂ© pour relever les nouveaux dĂ©fis qui se posent Ă  leur mĂ©tier et leur organisation : ‱ De la maĂźtrise Ă  la prĂ©vention des risques (ex. : fraude) grĂące aux modĂšles prĂ©dictifs ‱ Une connaissance prĂ©cise des habitudes des clients « connectĂ©s » (alimentaires, sportives, professionnelles, culturelles
) — qui s’avĂ©rera plus efficace que les questionnaires de santĂ© — pour une relation de proximitĂ© et de conseil. Cette meilleure connaissance permettra de dĂ©velopper de nouvelles mĂ©thodes de segmentation et de tarification, d'optimiser le nombre de produits d’assurance par client, mais aussi un meilleur retour sur investissement des politiques commerciales (campagnes publicitaires, dĂ©marchage commercial, messages de prĂ©vention « ciblĂ©s ») ‱ L’optimisation de l’allocation du capital ‱ La confiance des clients au regard de l’utilisation de leurs donnĂ©es personnelles, vecteur de la rĂ©putation de l’établissement. Pierre Borg Directeur exĂ©cutif - Ernst & Young Advisory Secteur des sciences de la vie Le Big data gĂ©nĂšre de formidables opportunitĂ©s tout au long de la chaĂźne de valeur de la santĂ© Dans un contexte marquĂ© par le « patent cliff » et la rĂ©duction des dĂ©penses publiques de santĂ©, auxquels s’ajoute le durcissement des normes de santĂ©, la recherche et les essais cliniques, peuvent ĂȘtre optimisĂ©s grĂące Ă  une analyse de donnĂ©es plus efficace. La consommation de mĂ©dicaments et les approvisionnements associĂ©s peuvent ĂȘtre calculĂ©s en temps rĂ©el et en prĂ©dictif en combinant des donnĂ©es internes et externes. Les efforts commerciaux et marketing peuvent ĂȘtre alignĂ©s en temps rĂ©el grĂące Ă  de meilleurs outils de reporting et d’analyse des attentes des patients (ex. : en Ă©coutant les mĂ©dias sociaux). L’industrie des sciences de la vie est alors amenĂ©e Ă  rĂ©inventer son modĂšle Ă©conomique en prenant part Ă  la coordination d’un parcours de soin centrĂ© sur le patient, avec Ă  la clĂ© la crĂ©ation de nouvelles filiĂšres d’excellence, sources de croissance pour l’avenir (ex. : monitoring ou visites mĂ©dicales Ă  distance), et cela afin d’apporter une rĂ©ponse de plus en plus individuelle aux patients, mais aussi aux professionnels de santĂ©, aux clients et aux payeurs. CĂ©dric Foray AssociĂ© - Ernst & Young Advisory Quelle maturitĂ© dans l'exploitation des donnĂ©es clients ? || 1111

II/ Exploitation de la (Big) data : 10 freins identifiĂ©s 12 | (Big) data : oĂč en sont les entreprises françaises ?

La collecte de donnĂ©es clients : les canaux digitaux sous-exploitĂ©s Frein n° 1 - La collecte de la data encore Les canaux de collecte utilisĂ©s selon la maturitĂ© largement limitĂ©e aux canaux traditionnels des entreprises Les donnĂ©es collectĂ©es par les entreprises pour renforcer leur Marketing digital connaissance client et dĂ©ployer des stratĂ©gie marketing en 96 % consĂ©quence proviennent trĂšs majoritairement des systĂšmes 44 % traditionnels de facturation pour 84 % des entreprises de Espace client Internet notre panel, et d’outils CRM pour 66 %. 92 % Un constat d’autant plus surprenant que les donnĂ©es non 68 % structurĂ©es constituent, Ă  l'Ăšre digitale, la plus grande partie SystĂšme de facturation des donnĂ©es Ă©mises et partagĂ©es Ă  travers le monde. Chaque 92 % minute, 208 300 photos sont publiĂ©es sur Facebook et 84 % * CRM 350 000 tweets sont postĂ©s . Au-delĂ  des espaces clients Internet dĂ©diĂ©s, les entreprises 85 % utilisent encore peu les canaux digitaux et mobiles pour 53 % capter des donnĂ©es sur leurs clients. La part des entreprises RĂ©seaux sociaux ayant recours aux rĂ©seaux sociaux, aux capteurs intĂ©grĂ©s 69 % dans les Ă©quipements clients et aux donnĂ©es GPS sur la 25 % localisation et les dĂ©placements clients s'Ă©lĂšve respectivement Portail Internet 58 % Ă  36 %, 14 % et 11 %. 33 % Ces canaux ont pourtant la spĂ©cificitĂ© de fournir des Open data informations qualitatives, contextuelles et en temps rĂ©el 28 % sur le comportement des clients, ce qui est prĂ©cieux pour 24 % comprendre leur expĂ©rience et leur parcours, contextualiser Capteurs intĂ©grĂ©s leurs achats et, in fine, qualifier leur profil. 23 % À ce jour, ce sont trĂšs majoritairement les entreprises de la 8 % grande distribution et du secteur des TMT qui ont recours aux GĂ©olocalisation canaux digitaux et mobiles. 12 % 6 % Entreprises « trĂšs matures » Entreprises « non matures » * "Ready for take off? Overcoming the practical and legal difficulties in identifying and realizing the value of data", EY, 2014 Quelle maturitĂ© dans l'exploitation des donnĂ©es clients ? | 13

Frein n° 2 - Les donnĂ©es non structurĂ©es, Les donnĂ©es non structurĂ©es sont trĂšs peu exploitĂ©es le maillon faible de l'analyse 45 % Au-delĂ  des traditionnelles donnĂ©es textes structurĂ©es sur des entreprises interrogĂ©es collectent des donnĂ©es non leurs clients — coordonnĂ©es, comportements et dĂ©penses — structurĂ©es collectĂ©es par 90 % des entreprises de notre panel, celles-ci collectent aussi des donnĂ©es non structurĂ©es. 27 % 45 % des entreprises interrogĂ©es collectent des donnĂ©es des entreprises interrogĂ©es sont outillĂ©es pour fiabiliser ces * textes non structurĂ©es : verbatims sur des espaces clients donnĂ©es Internet ou remontĂ©s de points de vente, conversations Moins de 10 % numĂ©riques, avis soumis ou partagĂ©s en ligne, donnĂ©es sonores, images et vidĂ©os. Si la moitiĂ© des entreprises les plus des entreprises disposent de logiciels de statistique matures dispose de ce type de donnĂ©es sur leurs clients, elles prĂ©dictive ne sont que 10 % parmi les sociĂ©tĂ©s « non matures ». Moins de 10 data experts/entreprise Ce sont majoritairement les secteurs de la grande distribution pour traiter les donnĂ©es non structurĂ©es** et des TMT qui collectent ce type de donnĂ©es. Les proportions tombent respectivement Ă  16 % et 21 % pour les donnĂ©es sonores (enregistrements vocaux, musique
) et Le directeur financier au cƓur de les images ou vidĂ©os (photos personnelles, films
). l'enjeu de structuration de la data 45 % des entreprises interrogĂ©es reconnaissent que les donnĂ©es collectĂ©es ne sont pas assez exploitĂ©es : 26 % Aujourd’hui principalement composĂ©e d’informations affirment collecter une grande quantitĂ© de donnĂ©es mais financiĂšres, l'information structurĂ©e comprendra ne pas toujours maximiser leur valeur et prĂšs de 20 % demain une part croissante d’informations RH, reconnaissent collecter des donnĂ©es mais les exploiter assez sociales, liĂ©es au parcours clients, Ă  la consommation peu. Ă©nergĂ©tique, aux machines communicantes, aux blogs, Pourtant, l’amĂ©lioration de l’expĂ©rience client est l’axe etc. stratĂ©gique numĂ©ro un des entreprises que nous avons Le directeur financier est dotĂ© d'un savoir-faire interrogĂ©es (68 % ont rĂ©pondu « tout Ă  fait »), loin devant unique en termes de structuration de l’information, de la stratĂ©gie tarifaire (36 % ont rĂ©pondu « tout Ă  fait ») ou le fiabilisation, de production et d’analyse pour Ă©clairer les dĂ©veloppement Ă  l’international (30 % des rĂ©pondants). choix des actionnaires et du management. Aussi, ces compĂ©tences le mettent naturellement en premiĂšre ligne dans les projets de transformation liĂ©s au (Big) data. Il aura pour dĂ©fi notamment de faire parler les indicateurs financiers et non financiers, d’intĂ©grer opĂ©rations et finance, de casser les silos organisationnels pour mieux capter le parcours client et enfin d'orienter l’entreprise vers l'Ă©laboration de scĂ©narii futurs. * Il existe des outils de business intelligence permettant de remonter les Pierrick Vaudour verbatims en temps rĂ©el sur une liste de sujets dĂ©finis, AssociĂ© - Ernst & Young et AssociĂ©s - Financial Accounting Advisory Services Dossier Big & smart data, StratĂ©gies n° 1770, 22/05/2014 ** Pour 70 % des entreprises de notre panel 14 | (Big) data : oĂč en sont les entreprises françaises ?

Le traitement et l'analyse des donnĂ©es clients : des capacitĂ©s inadaptĂ©es Le Big data implique le traitement de donnĂ©es volumineuses (nombreuses sources d’historiques, bases de corrĂ©lations, etc.) en un temps raisonnable, voire en temps rĂ©el. Le problĂšme n’est plus tant de stocker (a priori) un volume considĂ©rable de donnĂ©es clients, mais de sĂ©lectionner, dans le flux continu de data, celles que l’on va conserver (a posteriori) : un choix qui requiert des compĂ©tences et outils spĂ©cifiques. Bien souvent, une combinaison de mĂ©thodes statistiques classiques (statistiques descriptives, segmentation, scoring, etc.) et de solutions de calcul permet de rĂ©soudre ces difficultĂ©s. Par exemple, la parallĂ©lisation des calculs rĂ©pĂšte les mĂȘmes calculs sur des groupes de donnĂ©es sĂ©parĂ©s, des sĂ©quences, avant de les rĂ©concilier, afin qu’ils soient globalement effectuĂ©s de maniĂšre plus rapide. Cette mĂ©thode de calcul est combinĂ©e avec des estimateurs statistiques pour converger vers une rĂ©ponse la plus juste possible dans le dĂ©lai imparti. Notons que les formes de statistiques descriptives auxquelles on aboutit aujourd’hui sont plus pures qu’à l’époque oĂč l’on ne disposait que d’échantillons de donnĂ©es qu’il fallait extrapoler (du fait des coĂ»ts de rĂ©colte, de stockage et de traitement). Raison pour laquelle la quantitĂ© de donnĂ©es disponibles et leur traitement ne sont aujourd’hui plus une limite, ce qui permet de travailler sur des donnĂ©es plus exhaustives. Quelle maturitĂ© dans l'exploitation des donnĂ©es clients ? | 15

Frein n° 3 - Un manque de compĂ©tences Nombre de personnes dĂ©diĂ©es Ă  l'exploitation de la data analytiques Total panel : 152 entreprises Les entreprises ne disposent pas de profils et de compĂ©tences 50 ou plus analytiques en interne pour exploiter l’ensemble des donnĂ©es utiles Ă  leur activitĂ©, traiter les donnĂ©es historiques en temps 6 % rĂ©el et relationnelles (rĂ©seaux, amis, familles, collĂšgues), les 18 % contextualiser et en tirer des rĂ©sultats utiles et exploitables. 10 Ă  49 Seules 30 % des entreprises interrogĂ©es ont recrutĂ© des profils spĂ©cifiques dĂ©diĂ©s au traitement et Ă  la gestion de la data. 70 % Plus gĂ©nĂ©ralement, pour 70 % des entreprises interrogĂ©es, moins de 10 l’ensemble des ressources dĂ©diĂ©es au traitement des donnĂ©es clients reprĂ©sente moins de 10 personnes. Seules 6 % des entreprises du panel disposent d'effectifs dĂ©diĂ©s Ă  la data de plus de 50 personnes. 16 | (Big) data : oĂč en sont les entreprises françaises ?

Entreprises ayant un effectif data de moins de 10 Entreprises ayant un effectif data de 50 personnes ou plus personnes 79 % 71 % 70 %* 39 % 3 % 4 % 16 % 6 %* Non matures Peu matures TrÚs matures Non matures Peu matures TrÚs matures * 70 % des entreprises du panel ont un effectif data * 6 % des entreprises du panel ont un effectif data inférieur à 10 personnes supérieur à 50 personnes Quelle maturité dans l'exploitation des données clients ? | 17

Frein n° 4 - Une carence des outils de traitement des donnĂ©es Individuelles, hĂ©tĂ©rogĂšnes, multiples et Ă©parses, les traces Les donnĂ©es issues du web, du mobile et des objets connectĂ©s numĂ©riques collectĂ©es en temps rĂ©el n’ont, prises isolĂ©ment, ont rendu caduques les techniques d’analyse classique, aucune valeur. Leur valeur vient du sens qu’on arrive Ă  en manquant dĂ©sormais de puissance, de rapiditĂ©, de flexibilitĂ©, tirer, en termes de corrĂ©lation ou de prĂ©dictibilitĂ©. et devenues trop onĂ©reuses. Il est possible de donner du sens Ă  ces donnĂ©es en les Des technologies et outils de traitement, ainsi que des rattachant Ă  leur cause commune : le comportement d’un compĂ©tences spĂ©cifiques sont nĂ©cessaires pour extraire des ĂȘtre humain. De cette façon, on peut non seulement espĂ©rer informations et enseignements des donnĂ©es non structurĂ©es, comprendre le comportement d’un individu Ă  travers les le maillon faible de l’analyse. Il faut en effet les « traduire », traces qu’il laisse, mais aussi, in fine, recomposer son ADN les fiabiliser, les indexer, les combiner avec les donnĂ©es numĂ©rique. existantes, pour pouvoir les intĂ©grer au reporting qui sera Au-delĂ  de la collecte de donnĂ©es et de leur stockage, remontĂ© au niveau dĂ©cisionnel. l’intelligence algorithmique est indispensable pour donner un sens Ă  la masse de donnĂ©es gĂ©nĂ©rĂ©es par chaque Enjeu de fiabilitĂ© et de sĂ©curitĂ© individu et ses objets connectĂ©s. Cette intelligence de la data algorithmique vise Ă  regrouper, confronter et mettre en relation des donnĂ©es issues de sources diverses pour crĂ©er et caractĂ©riser des groupes statistiques — sur la base de Les entreprises intĂšgrent de plus en plus le Big tendances caractĂ©risĂ©es — afin de dĂ©crypter et d’anticiper ses data dans leurs processus dĂ©cisionnels. Il apparaĂźt comportements dans des environnements diffĂ©rents. ainsi essentiel de veiller Ă  la fiabilitĂ© et la sĂ©curitĂ© des donnĂ©es analysĂ©es. Pour ce faire, les responsables Il faut donc contextualiser la donnĂ©e qui, seule, n’aura aucun sĂ©curitĂ© ou les contrĂŽleurs internes doivent sens, mais prendra toute sa valeur dans la mise en relation apprĂ©hender les processus Big data de maniĂšre globale avec une multitude d’autres donnĂ©es. C’est ce pouvoir de afin de dĂ©ployer les dispositifs de sĂ©curitĂ© et de contrĂŽle contextualisation qui permettra Ă  l’entreprise de proposer adĂ©quats. Ces dispositifs doivent permettre de rĂ©pondre la bonne offre Ă  la bonne cible, au bon moment et au bon aux enjeux de volume, de vitesse de traitement, de endroit (ou via le bon canal*). diversitĂ© des formats et permettre une circulation intĂšgre et sĂ©curisĂ©e de l’information. Pascal Antonini AssociĂ© - Ernst & Young Advisory - IT Risk and Security * Comportements culturels et donnĂ©es personnelles au cƓur du Big data : entre la nĂ©cessaire protection et une exploitation au service de nouveaux Ă©quilibres - EY, novembre 2013 18 | (Big) data : oĂč en sont les entreprises françaises ?

La majoritĂ© des grandes entreprises a conscience de Les chiffres nous montrent que les techniques visuelles et la progression de ces donnĂ©es non structurĂ©es et de interactives de prĂ©sentation des donnĂ©es se gĂ©nĂ©ralisent l’indispensable effort de fiabilisation. 59 % des entreprises au sein des entreprises. Pour n’en citer que quelques-unes : que nous avons interrogĂ©es affirment anticiper une hausse Qlikview est utilisĂ©e par 43 % des entreprises interrogĂ©es ; du volume de donnĂ©es Ă  fiabiliser dans les 18 mois. En mĂȘme Spotfire par 28 % ; 41 % Cognos et Business Object par 43 %. temps, seules 27 % d’entre elles affirment avoir mis en place En revanche, ces solutions sont surtout dĂ©ployĂ©es au service des process internes pour fiabiliser ou exploiter les donnĂ©es de la comprĂ©hension et la restitution du passĂ©, encore peu non structurĂ©es. comme outil d’analyse, et encore moins dans l’élaboration de DerniĂšre Ă©tape pour rendre les donnĂ©es clients exploitables : scĂ©narii prĂ©dictifs. la visualisation et la simplicitĂ© d’usage des rĂ©sultats de l’analyse, dĂ©cisives pour la comprĂ©hension et l’exploitation des rĂ©sultats par les dĂ©cideurs opĂ©rationnels. En effet, la façon de partager les donnĂ©es est essentielle pour que chaque mĂ©tier puisse se les approprier et en tirer de la valeur. Une data visualisation de qualitĂ© donne aux dĂ©cideurs le moyen de manipuler de larges volumes de donnĂ©es pour faire Ă©merger des tendances, mettre en lumiĂšre des corrĂ©lations qui ne peuvent se rĂ©vĂ©ler qu’avec la visualisation et rĂ©pondre Ă  des questions spĂ©cifiques. En somme, des rĂ©sultats d’analyse restituĂ©s de façon visuelle, mis en perspective et hiĂ©rarchisant les enjeux. La data visualisation permet aussi d’assurer une communication, interne et externe, efficace et cohĂ©rente (la visualisation de donnĂ©es unifie le discours en le rendant accessible, clair et facile Ă  partager). Il s'agit donc d'un moyen efficace de faire passer un message sans ambiguĂŻtĂ© auprĂšs de ses clients, actionnaires et autres parties prenantes. Quelle maturitĂ© dans l'exploitation des donnĂ©es clients ? | 19

Frein n° 5 - L’analyse de la data encore (trop) peu orientĂ©e vers le prĂ©dictif et le temps rĂ©el La prĂ©dictibilitĂ© des modĂšles analytiques et la capacitĂ© de Elles sont encore plus nombreuses (92 % des plus matures) prise de dĂ©cision en temps rĂ©el constituent la vraie longueur Ă  penser qu’une telle stratĂ©gie leur permettrait d'assurer la d’avance en matiĂšre d’exploitation des donnĂ©es clients. rapiditĂ© de leurs extractions et requĂȘtes. Ces modĂšles Ă  visĂ©e prĂ©dictive sont dĂ©jĂ  utilisĂ©s, Dans l’industrie, et particuliĂšrement les industries de rĂ©seaux notamment par les champions du numĂ©rique, Ă  travers les et d’infrastructures (communications et Ă©nergie, mais aussi recommandations de sites d’achat de biens et services en transports et automobile), les solutions de maintenance ligne — sites d'e-commerce ou de vidĂ©o Ă  la demande — qui prĂ©dictive, en collectant et analysant des donnĂ©es en temps reposent sur des modĂšles capables de prĂ©voir ce qu’un rĂ©el Ă  partir de nombreuses sources (logs de maintenance, individu serait en mesure d’apprĂ©cier au regard de ses achats logs des performances, donnĂ©es de surveillance, donnĂ©es antĂ©rieurs, mais aussi d’achats similaires effectuĂ©s par environnementales, donnĂ©es financiĂšres, etc.) contribuent d’autres consommateurs, afin de lui proposer des produits Ă  amĂ©liorer significativement la qualitĂ© des prestations et la en consĂ©quence. Au-delĂ  de la corrĂ©lation avec le contexte, performance opĂ©rationnelle des entreprises. Elles permettent l’intelligence algorithmique vise Ă  Ă©tablir des liens de cause notamment de rĂ©aliser des diagnostics prĂ©ventifs et, au-delĂ , Ă  effet pour mieux prĂ©voir les comportements futurs de de la maintenance prĂ©dictive. l’internaute. Il est alors possible de repĂ©rer en temps rĂ©el les schĂ©mas Seules 10 % des entreprises interrogĂ©es exploitent les propices Ă  la dĂ©tection prĂ©ventive des incidents et pannes donnĂ©es clients Ă  des fins prĂ©dictives et 5 % d’entre elles afin de dĂ©terminer les domaines les plus exposĂ©s au risque le font pour optimiser les process techniques permettant et d’identifier la cause premiĂšre du problĂšme. La maintenance d’accroĂźtre la rapiditĂ© d’exĂ©cution et d'augmenter les capacitĂ©s dirige alors proactivement les ressources vers ces domaines de stockage (Ă©lĂ©ments clĂ©s pour exploiter des volumes avant que le risque ne devienne une rĂ©alitĂ©. En d’autres croissants et toujours plus rapides de donnĂ©es et de flux termes, il s’agit d’anticiper les problĂšmes rĂ©seaux plusieurs d’informations). semaines, voire plusieurs mois, Ă  l’avance et d’éviter les Si elles n’ont pas les compĂ©tences requises, les entreprises les accidents, interventions et arrĂȘts de production qui peuvent * plus matures de notre panel ont nĂ©anmoins Ă©tĂ© sensibilisĂ©es Ă  se rĂ©vĂ©ler trĂšs coĂ»teux financiĂšrement et en termes d’image . ce sujet : 73 % affirment que la mise en place d’une stratĂ©gie N'oublions pas que dans certaines industries, le coĂ»t de la (Big) data leur permettrait d’utiliser des modĂšles prĂ©dictifs en maintenance est bien supĂ©rieur Ă  celui de l'investissement temps rĂ©el (contre 43 % pour les moins matures). initial. * Emmanuelle Delsol, dossier « Data le contrat de confiance », L’Usine nouvelle, N° 3372, 10/04/2014 « La maintenance prĂ©dictive au service de l’industrie », analysepredictive.fr, 23/08/2011, consultĂ© le 25/06/2014 20 | (Big) data : oĂč en sont les entreprises françaises ?

Quelle maturité dans l'exploitation des données clients ? | 21

La data non perçue comme un support aux dĂ©cisions stratĂ©giques * Frein n° 6 - Le manque de transversalitĂ© Frein n° 7 - L’absence de mesure du ROI dans la gestion des projets (Big) data des projets (Big) data Le manque de transversalitĂ© dans l’organisation et la Le Big data marque un tournant majeur dans l’exploitation gestion des projets data est un frein Ă  la valorisation des des donnĂ©es clients et reprĂ©sente un formidable levier de donnĂ©es clients. Les projets sont souvent perçus comme croissance et de profitabilitĂ©. Pourtant, les rĂ©sultats de notre trop complexes, trop longs Ă  mettre en Ɠuvre et donc non enquĂȘte laissent entrevoir que la data peine Ă  convaincre prioritaires. en termes de ROI. On constate une trĂšs faible prise de En outre, les silos en interne sont les principaux freins conscience, au sein des entreprises, de la valeur ajoutĂ©e des organisationnels Ă  une optimisation de l’exploitation de la projets data. Il existe peu d'Ă©tudes de cas sur l’opportunitĂ© de data, mĂȘme si les dirigeants le reconnaissent moins volontiers dĂ©velopper des projets (Big) data. Quantifier et mesurer la ** prĂ©dĂ©finis et d’une lorsqu’il s’agit de leur organisation. MĂȘme parmi les trĂšs valeur des projets data, sur la base de KPI matures (17 % du panel), 39 % considĂšrent qu’il s’agit encore estimation du retour sur investissement, permettrait pourtant d’un frein Ă  l’exploitation de la data. d’établir une feuille de route avec des projets data Ă  dĂ©ployer prioritairement et d’obtenir le sponsorship du management. Preuve qu'il s'agit d'un frein quel que soit le niveau de À ce jour, seules 29 % des entreprises interrogĂ©es considĂšrent maturitĂ© data des entreprises, 39 % de celles de notre panel que le Big data marque un tournant majeur et reprĂ©sente reconnaissent que les silos internes demeurent un frein Ă  un levier de croissance. Quant Ă  la mise en place d’un « plan l'exploitation optimale des donnĂ©es clients. d’action Big data avec des initiatives concrĂštes », elles ne sont Chaque mĂ©tier ayant pour habitude d’utiliser et de transformer que 18 % Ă  l'avoir fait. LĂ  encore, les entreprises identifiĂ©es les donnĂ©es issues de ses bases de donnĂ©es pour rĂ©pondre Ă  comme les plus matures se distinguent, bien que moins de ses propres enjeux mĂ©tiers ou objectifs, le capital data ne peut la moitiĂ© de cette catĂ©gorie ait dĂ©ployĂ© un tel plan, soit 46 % pas circuler dans l’entreprise, ce qui explique une absence de prĂ©cisĂ©ment. Un pourcentage qui tombe Ă  5 % chez les moins vision unifiĂ©e. Raison pour laquelle les outils et technologies matures. Big data sont encore peu adoptĂ©s. Pour ce qui est du retour sur investissement en particulier, Ă  En effet, ces solutions ne prennent leur pleine mesure qu’en ce jour, 58 % des entreprises interrogĂ©es n’ont pas cherchĂ© Ă  exploitant les informations provenant de tous les systĂšmes quantifier la contribution des solutions Ă  la performance de informatiques et des directions de l’entreprise. leur entreprise. LĂ  encore, l’écart est Ă©norme entre les plus matures (77 %) et les « non matures » (3 %). * ROI : Return on Investment ** KPI : Key Performance Indicator 22 | (Big) data : oĂč en sont les entreprises françaises ?

Avez-vous cherchĂ© Ă  quantifier la contribution des solutions Big data Ă  votre performance ? 58 % 42 % Oui Non Entreprises interrogĂ©es ayant rĂ©pondu « non » (58 % du panel) 73 % 58 % 51 % 19 % Non matures Peu matures TrĂšs matures Frein n° 8 - Un manque de sponsorship de la direction gĂ©nĂ©rale L'absence de mesure ROI de l'exploitation (Big) data, alliĂ©e Ă  une conjoncture Ă©conomique dĂ©favorable peuvent expliquer la prudence de la plupart des directions gĂ©nĂ©rales sur le sujet. La majoritĂ© des entreprises non matures considĂšre la perception du top management comme un frein Ă  une exploitation optimale des donnĂ©es au sein de leur entreprise, soit 57 % d’entre elles, contre seulement 11 % pour les plus matures. C’est en effet le management qui, par ses arbitrages en matiĂšre de dĂ©finition des axes stratĂ©giques et d’investissement, va ou non permettre les transformations internes requises pour doter l’entreprise des moyens analytiques adĂ©quats. Quelle maturitĂ© dans l'exploitation des donnĂ©es clients ? | 23

Vie privĂ©e et sĂ©curitĂ© : des enjeux encore sous-estimĂ©s Frein n° 9 - La rĂ©ticence Ă  partager des donnĂ©es personnelles, un risque majeur pour la fiabilitĂ© de la data Avec l’avĂšnement de l’économie numĂ©rique et l’explosion La protection des donnĂ©es personnelles cristallise aujourd’hui de l’Internet des objets, les data connaissent une croissance les rĂ©ticences liĂ©es Ă  l’exploitation des donnĂ©es clients. exponentielle et forment une masse gigantesque de donnĂ©es Or la confiance des clients, partenaires et citoyens dans une structurĂ©es et non structurĂ©es. marque, est une condition nĂ©cessaire Ă  l’engagement dans la Et Ă  la source de la production de ces donnĂ©es se trouve
 marque et au partage non biaisĂ© d’informations. l’individu. C’est pourquoi l’enjeu de la sĂ©curitĂ© des donnĂ©es, * auquel s’ajoute celui de la protection de la vie privĂ©e, est la D’aprĂšs une rĂ©cente Ă©tude EY 70 % des consommateurs clĂ© de l’avenir mĂȘme du Big data. En effet, la protection des sont rĂ©ticents Ă  partager leurs donnĂ©es personnelles avec les donnĂ©es personnelles apparaĂźt au centre des prĂ©occupations entreprises et 49 % affirment qu’ils seront moins enclins Ă  le des consommateurs, qui questionnent de plus en plus les faire dans les cinq annĂ©es Ă  venir. entreprises et responsables du traitement sur les garanties et la sĂ©curitĂ© qu’ils mettent en place pour protĂ©ger les donnĂ©es personnelles qu'ils leur confient. Les questions les plus frĂ©quemment posĂ©es sont relatives Ă  la localisation de ces donnĂ©es, aux mesures de sĂ©curitĂ© mises en place pour les protĂ©ger contre des accĂšs non autorisĂ©s, Ă  l’usage qui en est fait par le responsable de traitement, Ă  qui elles sont destinĂ©es, etc. * "Ready for take-off? Overcoming the practical and legal difficulties in identifying and realizing the value of data", EY, 2014 24 | (Big) data : oĂč en sont les entreprises françaises ?

Frein n° 10 - Faible sensibilisation aux enjeux IntĂ©grer le cadre rĂ©glementaire de la de sĂ©curitĂ© et de protection de la data protection des donnĂ©es : une nĂ©cessitĂ© Parmi les entreprises que nous avons interrogĂ©es, 30 % pour que sĂ©curitĂ© juridique et confiance estiment ne pas ĂȘtre concernĂ©es par les enjeux de protection des clients constituent le socle du de la vie privĂ©e lors de l’exploitation de leurs donnĂ©es clients. dĂ©veloppement Un rĂ©sultat qu’il convient de nuancer selon le niveau de L’exploitation des donnĂ©es s’inscrit nĂ©cessairement maturitĂ© des entreprises en termes d’exploitation de data. dans un cadre rĂ©glementaire qui va protĂ©ger, outre En effet, les entreprises identifiĂ©es comme les plus matures les droits d’auteur, les crĂ©ations originales et les dans l’Indice EY de MaturitĂ© Data sont 92,3 % Ă  considĂ©rer investissements du producteur d’une base de donnĂ©es, que la question de la protection de la vie privĂ©e est un enjeu l’exploitation des donnĂ©es personnelles, c’est-Ă -dire qui prioritaire dans l’exploitation des donnĂ©es clients. Tandis que va permettre aux individus de connaĂźtre l’exploitation qui pour celles qui ont Ă©tĂ© identifiĂ©es comme non matures, seules est faite des donnĂ©es qui peuvent les identifier, et dans 20,7 % perçoivent la privacy comme un enjeu, contre 58,6 % certains cas, de s’y opposer. qui ne paraissent pas encore s’en prĂ©occuper. Le cadre rĂ©glementaire de la protection des donnĂ©es Les donnĂ©es personnelles sont prĂ©cieuses pour les personnelles en Europe impose notamment des ** obligations dĂ©claratives auprĂšs du rĂ©gulateur national entreprises car elles revĂȘtent un fort caractĂšre prĂ©dictif . La confiance des producteurs de data augmentera fortement (la CNIL en France), des obligations de loyautĂ© dans leur propension Ă  partager des donnĂ©es personnelles fiables la collecte et la communication des donnĂ©es, des et prĂ©cises, et baissera ainsi significativement les biais obligations d’information, d’accĂšs et un droit d’opposition statistiques des modĂšles dĂ©cisionnels et prĂ©dictifs. au bĂ©nĂ©fice des personnes concernĂ©es, des restrictions en cas d’accĂšs ou de transferts en dehors de l’Union Les entreprises sont gĂ©nĂ©ralement un peu plus sensibles europĂ©enne ainsi que des obligations d’effacement Ă  l’aspect technique de la protection des donnĂ©es et, plus des donnĂ©es lorsqu’elles ne sont plus nĂ©cessaires pour prĂ©cisĂ©ment, au risque de cyberattaque de leurs systĂšmes rĂ©pondre Ă  la finalitĂ© qui a motivĂ© leur collecte. d’information (SI). Ce cadre rĂ©glementaire n’a pas vocation Ă  empĂȘcher * Selon une Ă©tude internationale EY sur la sĂ©curitĂ© des l’exploitation des donnĂ©es personnelles mais Ă  donner systĂšmes d’information, 59 % des entreprises interrogĂ©es des garanties aux personnes dont les donnĂ©es sont considĂšrent que les menaces externes sur leurs systĂšmes traitĂ©es, en termes de sĂ©curitĂ© des donnĂ©es et de d’information sont en progression et 43 % affirment que leur contrĂŽle sur l’utilisation qui est faite de leurs donnĂ©es. budget sĂ©curitĂ© des systĂšmes d’information est en hausse. La conformitĂ© avec ce cadre rĂ©glementaire rĂ©pond, au-delĂ  de la prĂ©vention du risque juridique de sanction pouvant ĂȘtre prononcĂ© par le rĂ©gulateur (jusqu’à 300 000 euros en droit positif, mais bientĂŽt jusqu’à 5 % du chiffre d’affaires mondial du responsable de traitement lorsque le projet de rĂšglement en matiĂšre de protection des donnĂ©es sera adoptĂ©), Ă  un enjeu Ă©thique de respect de la vie privĂ©e des individus. Fabrice Naftalski ** “Under cyber attack - EY’s Global Information Security Survey 2013” AssociĂ© - Ernst & Young SociĂ©tĂ© d'Avocats - Responsable EMEIA des activitĂ©s Droit des Technologies de l'Information et de la PropriĂ©tĂ© Intellectuelle Quelle maturitĂ© dans l'exploitation des donnĂ©es clients ? | 25

III/ DĂ©ployer une stratĂ©gie (Big) data efficace : les leviers d'action 26 | (Big) data : oĂč en sont les entreprises françaises ?

La rĂ©volution (Big) data n’a pas encore eu lieu Deux tiers des entreprises françaises (63 %) considĂšrent que Force est de constater qu’au-delĂ  de l'effet de mode, le Big le Big data est un concept intĂ©ressant mais encore trop vague data reprĂ©sente pour beaucoup un concept flou, encore pour constituer un levier de croissance. difficile Ă  apprĂ©hender au sein des entreprises, tant en termes de transformation organisationnelle, de stratĂ©gie, de ROI que de gestion et de formation des compĂ©tences. En tĂ©moigne le « Le Big data est un concept intĂ©ressant mais encore passage au filtre de l’Indice de MaturitĂ© Data : imprĂ©cis qui ne constituera un levier de croissance que pour certaines entreprises » Peu d’études d’opportunitĂ© (Big) data sont 63 % menĂ©es Les entreprises les plus matures sont celles qui ont non 37 % seulement lancĂ© une Ă©tude d’opportunitĂ© du Big data – ce qui ne reprĂ©sente que 9 % du nombre total d’entreprises composant notre panel - mais aussi celles qui ont mis en place une stratĂ©gie globale de gestion de leurs donnĂ©es clients, pour favoriser une meilleure circulation des donnĂ©es en Non Oui interne et une exploitation plus cohĂ©rente et transversale de ces donnĂ©es. Entreprises interrogĂ©es ayant rĂ©pondu « oui » Pour l’heure, la moitiĂ© des entreprises n’a pas Ă©tudiĂ© les (63 % du panel) opportunitĂ©s Ă©ventuelles liĂ©es au Big data. 72 % « Notre entreprise a Ă©tudiĂ© les opportunitĂ©s Ă©ventuelles 63 % 61 % liĂ©es au Big data » 35 % Oui, Ă©tude en cours Oui, plan Big data dĂ©ployĂ© 23 % 18 % 2 % Oui, Non matures Peu matures TrĂšs matures mais nous avons conclu Ă  l’absence d’opportunitĂ© 57 % La deuxiĂšme rĂ©volution de la (Big) data sera celle Non de l'exploitation des donnĂ©es non structurĂ©es et de l'open data. Bruno Perrin AssociĂ© - Ernst & Young et AssociĂ©s Responsable du secteur Technologies, MĂ©dias, TĂ©lĂ©coms en France Quelle maturitĂ© dans l'exploitation des donnĂ©es clients ? | 27

L’entreprise n’a pas de vision 360° de la data Il n’existe pas encore de « gouvernance data » La moitiĂ© des entreprises interrogĂ©es reconnaĂźt que Les entreprises hĂ©sitent encore sur l’entitĂ© qui doit prendre l’absence « d’un plan d’action clair qui constitue une feuille la responsabilitĂ© de la stratĂ©gie data, tout autant que sur les de route pour l’ensemble de l’entreprise » est un frein Ă  une modalitĂ©s d’application. En effet, selon le niveau de maturitĂ© exploitation optimale des donnĂ©es clients. des entreprises, il incombe soit Ă  la direction marketing Le pourcentage s’élĂšve Ă  76 % pour les entreprises « pas du (pour les plus matures) soit Ă  la DSI d’impulser et/ou de tout matures » contre 35 % chez les « trĂšs matures ». Un Ă©tat mettre en place la stratĂ©gie data, mais aussi de concentrer de fait Ă  rapprocher de la position du top management sur les compĂ©tences data de l’entreprise. En effet, pour 58 % le sujet du Big data, Ă  savoir s’il juge utile ou non d’amĂ©liorer des entreprises trĂšs matures, les compĂ©tences en gestion significativement la gestion actuelle des donnĂ©es clients. de donnĂ©es de l’entreprise sont rattachĂ©es Ă  la direction marketing et pour 31 % des entreprises pas du tout matures, 57 % des entreprises non matures considĂšrent la perception les compĂ©tences en gestion de donnĂ©es de l’entreprise sont du top management comme un frein versus 11 % pour les trĂšs rattachĂ©es Ă  la direction technique. matures. Quoi qu’il en soit, la prise en main par une seule direction fonctionnelle induit le risque que l'exploitation des donnĂ©es clients de l’entreprise soit limitĂ©e ou orientĂ©e prioritairement aux besoins de la direction fonctionnelle concernĂ©e. Outre-Atlantique, on voit Ă©merger une fonction de Chief Data Officer qui a la charge de l’ensemble des questions relatives Ă  la stratĂ©gie data de l’entreprise. MĂȘme au sein des entreprises les plus matures de notre panel, cette rĂ©flexion est Ă  peine entamĂ©e et ne s'est pas traduite en actions concrĂštes. 28 | (Big) data : oĂč en sont les entreprises françaises ?

StratĂ©gie (Big) data : deux approches coexistent actuellement Parmi les entreprises interrogĂ©es pour notre Ă©tude et celles b) Le modĂšle « Top-down » auprĂšs desquelles nos sommes intervenus rĂ©cemment, Ce modĂšle repose sur la dĂ©finition d’une stratĂ©gie Big data nous observons deux tendances principales en matiĂšre et d’une feuille de route avec des offres allant jusqu’à la d’élaboration d’une stratĂ©gie de donnĂ©es clients : le modĂšle monĂ©tisation de la data, des pistes pour mieux exploiter Bottom-up et le modĂšle Top-down. les data internes ainsi qu’un programme d’enrichissement a) Le modĂšle « Bottom-up » externe du patrimoine data de l’entreprise. Son objectif est double : lancer des projets au niveau Dans ce cas, conscient de l’effet Big data et convaincu de la opĂ©rationnel afin de valider les avancĂ©es et les bĂ©nĂ©fices valeur future, le management soutient la dĂ©marche et insuffle potentiels Ă  en tirer, sachant que les projets sont issus de une transversalitĂ©, incitant les mĂ©tiers Ă  travailler ensemble l’analyse du champ des possibilitĂ©s offertes par le Big data. sur la data. Ce modĂšle « test & learn » a un triple avantage : des rĂ©sultats Revers de la dĂ©marche « (Big) data-oriented » : des dĂ©lais de d’impacts concrets sur la sociĂ©tĂ©, un effet d’apprentissage sur mise en place et de retours sur investissements relativement les Ă©quipes et le lancement de plusieurs projets en parallĂšle. longs. Dans une telle dĂ©marche, il se peut qu’il n’y ait toujours Il a cependant ses limites. L’absence d’indicateurs de pas d’actions enclenchĂ©es quelques mois aprĂšs le lancement performance peinera Ă  convaincre le management de l’effet du projet. Par ailleurs, les potentiels (phase « PoV » ) Big data et de l’utilitĂ© du projet. Ce Ă  quoi s’ajoutent l’absence identifiĂ©s peuvent ĂȘtre tellement nombreux qu’il n’est pas aisĂ© de fil conducteur commun, qui entraĂźne une dispersion des d’anticiper et d’arbitrer parmi les projets data Ă  lancer ‱ En savoir plus p. 31 projets, un manque de regard externe sur les projets, et (PoC). un dĂ©faut d’investissement et de moyens qui limitent les possibilitĂ©s. Dans cette approche, les entreprises sont Ă©quipĂ©es d’outils spĂ©cifiques, en particulier de data visualisation. Elles cherchent Ă  rĂ©pondre Ă  des problĂ©matiques spĂ©cifiques (ex. : en mode agile) mais ne disposent pas forcĂ©ment de l’architecture permettant le temps rĂ©el et les problĂšmes liĂ©s au silotage demeurent la plupart du temps. Quelle maturitĂ© dans l'exploitation des donnĂ©es clients ? | 29

Le succĂšs du projet data chez Prisma a reposĂ© sur la rĂ©union inĂ©dite de l’ensemble des mĂ©tiers et expertises au sein du groupe. Yoann DenĂ©e Directeur, Prisma Digital Facteurs clĂ©s de succĂšs du dĂ©ploiement d’une stratĂ©gie (Big) data Si chacune des approches data mises en place dans les entreprises a des avantages, selon nous, ce n‘est pas tant l’approche en tant que telle qui fera la diffĂ©rence, mais la prise en compte d’un certain nombre de conditions qui constituent les facteurs clĂ©s de succĂšs d’une stratĂ©gie (Big) data. L’entreprise se doit de dĂ©finir une stratĂ©gie (Big) data, avec la data comme axe stratĂ©gique de l’entreprise au mĂȘme titre que la politique tarifaire par exemple. Les 5 facteurs clĂ©s de succĂšs du dĂ©ploiement d’une stratĂ©gie (Big) data : ‱ Facteur clĂ© de succĂšs n° 1 - Une transversalitĂ© indispensable en amont Au-delĂ  de la gestion des volumes, l’un des plus forts attraits S’il intĂšgre l’ensemble des mĂ©tiers de l’entreprise le plus en des nouvelles technologies en matiĂšre d’exploitation et amont possible, le projet stratĂ©gique (Big) data permettra d’analyse statistique des donnĂ©es clients rĂ©side dans la d’effectuer le recensement le plus exhaustif afin de rĂ©vĂ©ler capacitĂ© Ă  s’adapter trĂšs aisĂ©ment Ă  la diversitĂ© des donnĂ©es : des corrĂ©lations et d’en tirer des enseignements inĂ©dits. variĂ©tĂ© des sources, hĂ©tĂ©rogĂ©nĂ©itĂ© des formats, etc. À cette transversalitĂ© inter-directions s’ajoute une nĂ©cessaire DĂšs lors, l’un des premiers enjeux dans le dĂ©ploiement d’une pluridisciplinaritĂ©. La connaissance et la maĂźtrise des enjeux stratĂ©gie (Big) data consiste Ă  mobiliser l’ensemble des liĂ©es Ă  l’exploitation des donnĂ©es tout au long de la chaĂźne directions qui disposent souvent de points de vue divers et de valeur relĂšve en effet de profils trĂšs diffĂ©rents. Afin de complĂ©mentaires en matiĂšre de connaissance d’un client. prendre en compte l’ensemble de ces dimensions, une Ă©quipe- Les occasions de collecter des donnĂ©es sur un client sont projet devra rassembler des profils d’informaticiens, de chefs multiples et relĂšvent gĂ©nĂ©ralement de la responsabilitĂ© d’une de produits marketing, de financiers, d’analystes statisticiens, multitude de directions mĂ©tiers ou fonctionnelles d’une de juristes... entreprise. Des rigiditĂ©s organisationnelles, doublĂ©es de freins Une gestion de projet performance devra enfin ĂȘtre techniques, freinent souvent l’exploitation de cette manne de idĂ©alement mise en place afin de coordonner les travaux connaissance que les croisements et mises en corrĂ©lation de de ces Ă©quipes et garantir l’avancĂ©e des travaux et solliciter toutes les donnĂ©es pourraient rĂ©vĂ©ler. occasionnellement des arbitrages lorsque des points de blocage se feraient jour. 30 | (Big) data : oĂč en sont les entreprises françaises ?

Le rĂ©seau permet de faire Ă©voluer en direct et avec le plus vaste public les initiatives et les services. C'est une rĂ©volution qui accĂ©lĂšre tous les cycles et fait de l'erreur initiale une Ă©tape naturelle du succĂšs futur. Pierre Bellanger Fondateur et prĂ©sident-directeur gĂ©nĂ©ral du groupe Skyrock ‱ Facteur clĂ© de succĂšs n° 2 - Une implication ‱ Facteur clĂ© de succĂšs n° 3 - La mise en place forte de la direction gĂ©nĂ©rale d'un Agile Analytics Program Un programme de travail transverse mĂȘlant des compĂ©tences et des entitĂ©s aussi variĂ©es doit ĂȘtre portĂ© par une implication Un cadrage stratĂ©gique des enjeux et opportunitĂ©s forte, au niveau du comitĂ© exĂ©cutif ou d’une entitĂ© ayant dĂ©jĂ  pour vocation de travailler en support de multiples entitĂ©s Il faut consacrer un temps significatif Ă  la qualification des mĂ©tiers (direction de l’innovation, direction de la stratĂ©gie
). besoins et enjeux de l’entreprise et Ă  son diagnostic maturitĂ©, Un soutien qui garantit une meilleure adhĂ©sion, une visibilitĂ© et ensuite seulement choisir les technologies les plus Ă  mĂȘme plus forte et Ă©vite que le projet ne soit restreint qu’à l’atteinte de rĂ©pondre aux besoins identifiĂ©s et qualifiĂ©s. d’objectifs spĂ©cifiques de l’entreprise (dĂ©veloppement des C’est Ă  ce moment seulement que le socle technologique doit ventes, rĂ©duction des coĂ»ts
). Si de ce projet dĂ©coulent des ĂȘtre spĂ©cifiĂ©. opportunitĂ©s de modifications organisationnelles, qui entrent gĂ©nĂ©ralement dans le pĂ©rimĂštre de la direction gĂ©nĂ©rale, Les PoV* comme point d'ancrage l’implication de cette derniĂšre dĂšs la genĂšse du projet permettra d’accĂ©lĂ©rer la comprĂ©hension des enjeux et des Sur le sujet de la data, il est indispensable de travailler bĂ©nĂ©fices attendus en vue d’éventuels arbitrages. avec les utilisateurs finaux, au plus prĂšs des dĂ©cideurs, et de se lancer au travers de projets concrets, via des pilotes, * autrement appelĂ©s PoC (proof of concept ). * PoV : des PoC (proofs of concept) associĂ©s Ă  des Ă©tudes d'impact pour Ă©valuer Quelle maturitĂ© dans l'exploitation des donnĂ©es clients ? | 31

Avant tout, il convient de dĂ©finir les opportunitĂ©s business Une feuille de route agile et un plan d’actions concret (phase PoV*) puis de sĂ©lectionner, dans ce champ des possibles, les projets qui rĂ©pondent le mieux aux deux La feuille de route Ă  moyen terme (3 Ă  5 ans) doit dĂ©finir des critĂšres suivants : facilitĂ© de mise en Ɠuvre et gain maximal actions prioritaires concrĂštes, des objectifs Ă  court et moyen pour l’entreprise (ROI) ; l’intĂ©rĂȘt de cette dĂ©marche Ă©tant termes, et des KPI associĂ©s Ă  chacune des actions. d’autofinancer l’industrialisation du projet (sa gĂ©nĂ©ralisation Ă  Le dĂ©veloppement des PoC doit se faire selon un mode de l’ensemble de l’entreprise) et la mise en place d’une stratĂ©gie co-construction agile. Big data. Il est important que les dĂ©cideurs et utilisateurs finaux puissent utiliser eux-mĂȘmes (et interagir avec) les rĂ©sultats qui leur sont remontĂ©s (reporting). Ils ne se satisfont plus de * PoV : des PoC (proofs of concept) associĂ©s Ă  des Ă©tudes d'impact pour rapports figĂ©s. Ă©valuer leur rentabilitĂ© (ROI) Il est important de chercher Ă  dĂ©velopper des La rĂ©flexion stratĂ©gique de Renault en matiĂšre initiatives variĂ©es permettant d’acquĂ©rir de la d’exploitation des donnĂ©es s’est d’abord appuyĂ©e sur connaissance sur un large panel de technologies Big un recensement exhaustif des sources de donnĂ©es data innovantes (text mining, extraction de data en clients (outils CRM, concessionnaires, web et & rĂ©seaux grandes dimensions...). sociaux, open data [incidentologie], etc.) et sur Éric Martin l’évaluation de leur valeur potentielle pour le Groupe Ă  Responsable technique Big data chez Air France court et moyen termes. Patrick Hoffstetter Directeur Digital Factory chez Renault 32 | (Big) data : oĂč en sont les entreprises françaises ?

‱ Facteur clĂ© de succĂšs n° 4 - La confiance by design La protection juridique et technique des donnĂ©es rĂ©pond au triple enjeu de fiabilitĂ©, d'efficacitĂ© et de rĂ©putation. Les entreprises doivent donc prendre en compte, en amont de tout projet Big data, les enjeux de risques techniques, juridiques et rĂ©putationnels. Les directions informatiques et juridiques en particulier doivent crĂ©er ensemble les conditions du partage non biaisĂ© d'informations clĂ©s, notamment de donnĂ©es Ă  caractĂšre personnel, pour la pertinence des modĂšles prĂ©dictifs. La sĂ©curisation des donnĂ©es et de leur utilisation est aussi un prĂ©requis pour valoriser les donnĂ©es Ă  caractĂšre personnel. Garantir la sĂ©curitĂ© et l'intĂ©gritĂ© des donnĂ©es traitĂ©es, la protection des donnĂ©es personnelles, tout en Ă©tant transparent sur l'utilisation de ces donnĂ©es rĂ©pond Ă  l'enjeu de rĂ©putation de l'entreprise Ă  l'Ăšre digitale. Quelle maturitĂ© dans l'exploitation des donnĂ©es clients ? | 33

Exploitation (Big) data : des freins aux leviers d'action Les freins identifiĂ©s Collecte de la data limitĂ©e aux canaux et donnĂ©es traditionnels FREIN 1 Analyse de la data - les donnĂ©es collectĂ©es sous-exploitĂ©es FREIN 2 Manque de compĂ©tences analytiques FREIN 3 FREIN 4 Carence des outils de traitement de la data non structurĂ©e Analyse de la data (trop) peu orientĂ©e vers le temps rĂ©el et le prĂ©dictif FREIN 5 Absence de mesure du ROI des opportunitĂ©s (Big) data FREIN 6 Faible transversalitĂ© dans la gestion des projets (Big) data FREIN 7 Manque d'implication de la direction gĂ©nĂ©rale FREIN 8 RĂ©ticence des clients, partenaires et citoyens Ă  partager leurs donnĂ©es personnelles FREIN 9 Faible sensibilisation aux enjeux de sĂ©curitĂ© et de protection de la data FREIN 10 34 | (Big) data : oĂč en sont les entreprises françaises ?

Les leviers d'action ‱ Évaluer le patrimoine data de l'entreprise ‱ Qualifier les besoins et enjeux de l'entreprise ‱ Recruter des profils de type data scientist ‱ PrivilĂ©gier une approche par Ă©tape en adoptant des plateformes fiables et largement utilisĂ©es (ex. : outils et plateformes ouvertes telles que Hadoop ou R) ‱ Identifier les corrĂ©lations entre les data internes et externes Ă  l'entreprise ‱ Identifier les process de calcul clĂ©s et mettre en place des algorithmes spĂ©cifiques Big data pour parallĂ©liser les temps de calcul Agile analytics program ‱ DĂ©velopper conjointement des pilotes (PoC) avec les opĂ©rationnels pour fiabiliser ces projets et baisser significativement leur temps de dĂ©veloppement ‱ Prioriser les dĂ©veloppements des PoC via un cadrage stratĂ©gique des enjeux et opportunitĂ©s identifiĂ©s ‱ Diffuser la culture data en interne via une double impulsion top-down et bottom-up ‱ Mettre les collaborateurs/experts sur des arbitrages complexes nĂ©cessitant une forte expertise et favoriser ainsi les gains de productivitĂ© et l'innovation La confiance by design ‱ Prise en compte en amont des risques techniques, juridiques et rĂ©putationnels ‱ Prise en compte de la rĂ©glementation et des bonnes pratiques en amont de tout projet Big data ‱ Transparence sur l'utilisation de la data, a fortiori la data personnelle Quelle maturitĂ© dans l'exploitation des donnĂ©es clients ? | 35

Études de cas 36 |

Étude de cas n° 1 Lancement d'une sĂ©rie de projets "proofs of value" ayant pour objectif d'accĂ©lĂ©rer le time to market pour les nouveaux produits Secteur Accompagnement EY Distribution et Produits de Grande Consommation EY a travaillĂ© avec diffĂ©rentes directions du groupe : ‱ MĂ©tiers (DĂ©veloppement des nouveaux produits, SĂ©curitĂ©, Gestion, PrĂ©-industrialisation, Évaluation in vitro
) afin ProblĂ©matique client d’anticiper les besoins des utilisateurs finaux (B2B) Besoin de compĂ©tences mĂ©tiers et techniques pour ‱ DSI sur la dĂ©finition de l’architecture de la plateforme accompagner la mise en place d’un service de conception notamment : assistĂ©e et du dĂ©veloppement des opportunitĂ©s retenues pour - Choix des briques logicielles en particulier Open Source les acteurs de l’entitĂ© recherche d’un groupe international de - Choix et installation de la base Hadoop et de son Ă©co- produits de grande distribution systĂšme - Mise en place d’une solution de stockage dans le Cloud alimentant, via une liaison sĂ©curisĂ©e, une base Hadoop Contact EY interne David NaĂŻm - Anticipation de l’intĂ©gration des flux issus des AssociĂ©, Ernst & Young Advisory instruments connectĂ©s Responsable du pĂŽle StratĂ©gie, Marketing et Innovation - PrĂ©paration de l’industrialisation des proofs of concepts [email protected] (PoC) dĂ©veloppĂ©s et validĂ©s (Sandbox) - Connexion aux bases de donnĂ©es de l’entreprise ‱ DAF sur l’évaluation la valeur attendue et le ROI des proofs of value (PoV) EY a ainsi contribuĂ© au dĂ©veloppement des PoC de plusieurs opportunitĂ©s de valeur (PoV). Valeur ajoutĂ©e pour le client Mise en Ɠuvre de plusieurs proofs of value (PoV) ayant dĂ©montrĂ© une forte valeur ajoutĂ©e : ‱ TrĂšs forte rĂ©duction du temps de dĂ©veloppement des nouveaux produits et donc du Time to Market ‱ Par l’exploitation de l’historique de rĂ©sultats d’essais de l’entitĂ© et la mise en place d’une mĂ©thodologie d’essais virtuels, les experts de la sĂ©curitĂ© produits peuvent Ă©viter la commande d’essais longs et bloquants : le temps de dĂ©veloppement du produit est diminuĂ© de plus de 6 semaines ! Quelle maturitĂ© dans l'exploitation des donnĂ©es clients ? | 37

Étude de cas n° 2 Valorisation du patrimoine data de l'entreprise Secteur Accompagnement EY Technologies, MĂ©dias, TĂ©lĂ©coms ‱ Construction d’une stratĂ©gie et d’un plan d’action data pour optimiser et valoriser l’actif data ProblĂ©matique client ‱ Recommandations sur l’organisation et la gouvernance pour une exploitation transverse de la data Meilleure connaissance de ses clients et de ses publics dans le ‱ Recommandations sur les marchĂ©s porteurs, cadre de la transformation digitale du groupe les segmentations de marchĂ© et les innovations en termes d’offre de services Contact EY ‱ Support aux Ă©quipes marketing et ventes Vincent Placer Directeur exĂ©cutif, Ernst & Young Advisory StratĂ©gie Marketing Innovation - Business Analytics [email protected] Valeur ajoutĂ©e pour le client ‱ Construction d’une vision client unifiĂ©e ‱ DĂ©finition des axes de valorisation du patrimoine data et des prioritĂ©s ‱ Identification du portefeuille de projets et proofs of value Ă  lancer 38 | (Big) data : oĂč en sont les entreprises françaises ?

Étude de cas n° 3 Lancement et animation d'un programme global "Agile Analytics" Secteur Accompagnement EY Sciences de la vie ‱ Mise en place du projet en partenariat avec notre client ‱ Nous avons effectuĂ© un diagnostic maturitĂ© data du client ProblĂ©matique client et dĂ©fini un portefeuille de 45 projets valorisĂ©s (PoV*) impliquant diffĂ©rents mĂ©tiers de l’entreprise (finance, client, IncapacitĂ© Ă  exploiter pleinement la multitude de ses ressources humaines, fiscalitĂ©, supply chain, audit interne, donnĂ©es (donnĂ©es expĂ©rimentales, donnĂ©es sur l’activitĂ© de etc.) distribution des mĂ©dicaments dans le monde, donnĂ©es clients, ‱ Chaque projet a Ă©tĂ© le fruit d’une consultation en interne, donnĂ©es des professionnels de santĂ©, etc.) d’entretiens mĂ©tiers et de groupes de travail impliquant l'ensemble des directions opĂ©rationnelles, Ă  diffĂ©rents Contact EY Ă©chelons Karim Ben Djemiaa ‱ L'avancĂ©e de chaque projet a Ă©tĂ© supervisĂ©e par un chef de Directeur exĂ©cutif, Ernst & Young Advisory projet unique garant de la tenue des dĂ©lais StratĂ©gie, Marketing et Innovation - Data Analytics [email protected] Valeur ajoutĂ©e pour le client ‱ Identification d'opportunitĂ©s mĂ©tiers Ă  hauteur de plusieurs centaines de millions d’euros Ă  horizon 3 Ă  5 ans ‱ 30 millions d’euros de gains dĂšs la premiĂšre annĂ©e ‱ Ébauche d'une nouvelle organisation de l'entreprise autour de la data ‱ Gains de productivitĂ© pour les Ă©quipes de notre client * Les PoV sont des PoC (proofs of concept) associĂ©s Ă  des Ă©tudes d'impact pour Ă©valuer leur ROI Quelle maturitĂ© dans l'exploitation des donnĂ©es clients ? | 39

Étude de cas n° 4 Garantir le mĂȘme niveau de protection des donnĂ©es personnelles quelle que soit leur localisation gĂ©ographique Secteur Accompagnement EY Services aux entreprises ‱ RĂ©daction et obtention des premiĂšres BCR* "data processor" approuvĂ©es en Europe dans le cadre de la ProblĂ©matique client procĂ©dure de reconnaissance mutuelle avec la CNIL comme chef de file (et les autoritĂ©s espagnoles et allemandes en ‱ Manque de confiance de ses partenaires/clients co-instructeurs) ‱ Les donnĂ©es RH et paie de ses clients sont pour partie traitĂ©es en dehors de l’UE (Tunisie, Maroc et Ă  terme Inde), ce qui dissuadait les sociĂ©tĂ©s europĂ©ennes de lui confier la * BCR : Binding Corporate Rules paie ou la gestion RH de ses clients Contact EY Fabrice Naftalski AssociĂ©, Ernst & Young SociĂ©tĂ© d'Avocats Responsable EMEIA des activitĂ©s Droit des Technologies de l'information [email protected] Valeur ajoutĂ©e pour le client ‱ Garantir le mĂȘme niveau de sĂ©curitĂ© juridique quelle ‱ Avantage par rapport Ă  ses concurrents que soit la localisation des donnĂ©es personnelles internationaux dont une partie des activitĂ©s sont traitĂ©es pour le compte de ses clients (i.e. assurer au pilotĂ©es hors d’Europe client que ses donnĂ©es bĂ©nĂ©ficient du mĂȘme niveau de protection juridique que celui prĂ©vu par la directive ‱ Confiance accrue de la part de ses clients europĂ©ens europĂ©enne en matiĂšre de protection des donnĂ©es) ‱ ConformitĂ© des traitements de donnĂ©es paie Ă  l'international 40 | (Big) data : oĂč en sont les entreprises françaises ?

Étude de cas n° 5 SĂ©curisation juridique du lancement et du dĂ©ploiement de services Big data Secteur Accompagnement EY Technologies, MĂ©dias, TĂ©lĂ©coms ‱ SĂ©curisation du service dans sa protection juridique ‱ SĂ©curisation du dĂ©ploiement du service (protection de la vie ProblĂ©matique client privĂ©e, droit du travail
) SĂ©curisation et conformitĂ© d’un nouveau service de ‱ Analyse des modes de protection disponibles en France croisement de certaines donnĂ©es RH de ses clients avec des pour ce nouveau service et des mĂ©thodes et/ou moyens mis donnĂ©es publiques disponibles sur internet (ex. : rĂ©seaux en Ɠuvre Ă  cet effet sociaux, blogs, sites internet personnels, politiques ou ‱ SĂ©curisation juridique des conditions de prĂ©sentation syndicaux, etc.) et de lancement de ce service Contact EY Fabrice Naftalski AssociĂ©, Ernst & Young SociĂ©tĂ© d'Avocats Responsable EMEIA des activitĂ©s Droit des Technologies de l'information [email protected] Valeur ajoutĂ©e pour le client ‱ SĂ©curiser le lancement et le dĂ©ploiement de services autour de Big data ‱ PĂ©renniser la position de leadership du client ‱ Optimiser la protection des actifs incorporels du client (propriĂ©tĂ© intellectuelle, savoir-faire...) Quelle maturitĂ© dans l'exploitation des donnĂ©es clients ? | 41

Note mĂ©thodologique Pourquoi avoir centrĂ© notre analyse sur les donnĂ©es clients ? Nous avons menĂ© une enquĂȘte terrain auprĂšs de 152 Parmi la quantitĂ© de donnĂ©es disponibles, les donnĂ©es entreprises françaises, avec des effectifs compris entre 500 clients sont celles qui sont, selon nous, directement liĂ©es Ă  et 2 000 personnes, sur la base d’un questionnaire administrĂ© la croissance du chiffre d’affaires et au dĂ©veloppement de par tĂ©lĂ©phone auprĂšs de directeurs gĂ©nĂ©raux, marketing, l’activitĂ©. Ce sont elles qui disposent, Ă  moyen terme, du plus systĂšmes d'informations, financiers, relation clients et CRM. gros potentiel en termes d’amĂ©lioration de la performance Ces entreprises appartiennent Ă  5 secteurs d’activitĂ© : TMT commerciale des entreprises et de leur diversification vers de (Technologies, MĂ©dias, TĂ©lĂ©coms), Distribution et produits de nouveaux mĂ©tiers ou marchĂ©s. Ce qui ne signifie pas que les grande consommation, Transport et Automobile, Services donnĂ©es autres, telles que la consommation Ă©nergĂ©tique des financiers, SantĂ©. bĂątiments, ne puissent pas ĂȘtre source de profitabilitĂ© non nĂ©gligeable. En parallĂšle de cette enquĂȘte quantitative, 12 entretiens qualitatifs ont Ă©tĂ© conduits auprĂšs d’entreprises appartenant AbrĂ©viations aux secteurs couverts. En outre, nous avons construit notre Indice EY de MaturitĂ© Data sur la base de 10 variables auxquelles nous avons CAPEX Capital Expenditure affectĂ© une note allant de –2 Ă  +2 pour chaque entreprise KPI Key Performance Indicator de notre panel. Les scores permettent de capturer le degrĂ© d’avancement OPEX Operating Expenditure effectif sur chacune des variables. L’ensemble des notes PoC Proof of concept. L'expression dĂ©signe des projets obtenues par entreprise a Ă©tĂ© additionnĂ© pour en tirer pilotes dĂ©ployĂ©s rapidement pour dĂ©montrer la 3 groupes statistiques qui traduisent le niveau global de faisabilitĂ© d'une opportunitĂ© maturitĂ© de chaque entreprise. PoV Proof of value. L'expression dĂ©signe des projets pilotes (PoC) auxquels sont associĂ©es des Ă©tudes d'impact pour Ă©valuer leur rentabilitĂ© avec leur Construction de l'Indice EY de MaturitĂ© Data gĂ©nĂ©ralisation (phase d'industrialisation) L’indice de maturitĂ© agrĂšge les rĂ©ponses Ă  10 questions ROI Return on Investment factuelles portant sur l'Ă©tat des lieux de la collecte et de l'analyse de la data (volume, diversitĂ©, profil, etc.), la gouvernance et l'implication des mĂ©tiers, la finalitĂ© des modĂšles analytiques et la prise en compte des enjeux de sĂ©curisation de la data. L’ensemble des modalitĂ©s de rĂ©ponses a Ă©tĂ© codĂ© avec une Ă©chelle centrĂ©e allant de -2 Ă  2 en fonction du niveau de maturitĂ© estimĂ© par les experts EY. Les rĂ©ponses de chaque rĂ©pondant ont ainsi permis de donner une note brute allant de -20 Ă  20. Les entreprises dont la note est nĂ©gative ont Ă©tĂ© qualifiĂ©es de non matures, celles dont les notes allait de 0 Ă  9 ont Ă©tĂ© qualifiĂ©es de peu matures, et celles obtenant plus de 10 points ont Ă©tĂ© qualifiĂ©es de trĂšs matures. 42 | (Big) data : oĂč en sont les entreprises françaises ?

Big data : oĂč en sont les entreprises françaises ? - Page 43

EY | Audit | Conseil | FiscalitĂ© & Droit | Transactions EY est un des leaders mondiaux de l’audit, du conseil, de la fiscalitĂ© et Contacts du droit, des transactions. Partout dans le monde, notre expertise et la qualitĂ© de nos services contribuent Ă  crĂ©er les conditions de la confiance David NaĂŻm dans l’économie et les marchĂ©s financiers. Nous faisons grandir les talents AssociĂ©, Ernst & Young Advisory afin qu’ensemble, ils accompagnent les organisations vers une croissance Responsable du pĂŽle StratĂ©gie, Marketing et Innovation pĂ©renne. C’est ainsi que nous jouons un rĂŽle actif dans la construction d’un TĂ©l. : + 33 1 46 93 59 58 monde plus juste et plus Ă©quilibrĂ© pour nos Ă©quipes, nos clients et la sociĂ©tĂ© E-mail : [email protected] dans son ensemble. EY dĂ©signe l’organisation mondiale et peut faire rĂ©fĂ©rence Ă  l’un ou plusieurs Bruno Perrin des membres d’Ernst & Young Global Limited, dont chacun est une entitĂ© AssociĂ©, Ernst & Young et AssociĂ©s juridique distincte. Ernst & Young Global Limited, sociĂ©tĂ© britannique Ă  Responsable du secteur Technologies, MĂ©dias, TĂ©lĂ©coms en France responsabilitĂ© limitĂ©e par garantie, ne fournit pas de prestations aux clients. TĂ©l. : + 33 1 46 93 65 43 Retrouvez plus d’informations sur notre organisation sur www.ey.com. E-mail : [email protected] © 2014 Ernst & Young Advisory Fabrice Naftalski Tous droits rĂ©servĂ©s. AssociĂ©, Ernst & Young SociĂ©tĂ© d’Avocats TĂ©l. : + 33 1 55 61 10 05 Studio EY France - 1407SG049 E-mail : [email protected] SCORE France N° 14-057 Vincent Placer Photos : © Fotolia - © EY Directeur AssociĂ©, Ernst & Young Advisory TĂ©l. : + 33 1 46 93 61 32 Document imprimĂ© conformĂ©ment Ă  l’engagement d’EY de rĂ©duire son empreinte E-mail : [email protected] sur l’environnement. Cette publication a valeur d’information gĂ©nĂ©rale et ne saurait se substituer Ă  un conseil Louisa Melbouci professionnel en matiĂšre comptable, fiscale ou autre. Pour toute question spĂ©cifique, Responsable Marketing Technologies, MĂ©dias, TĂ©lĂ©coms en France vous devez vous adresser Ă  vos conseillers. TĂ©l. : + 33 1 46 93 76 47 ey.com/fr E-mail : [email protected] Cette Ă©tude a Ă©tĂ© rĂ©alisĂ©e par EY, sous la direction de Vincent Placer, avec la participation de Pascal Antonini, Jeff Chau, StĂ©phane MĂ©dard, Louisa Melbouci, Franck Rimek, AurĂšle Tabuchi, Pierrick Vaudour, France de Roquemaurel Ă  la rĂ©daction et Sandrine da Cunha au graphisme.