Frédéric BRAJON, Directeur de l’activité big data et data science chez CGI Business Consulting
Quelle est la véritable révolution ? Les opportunités sont-elles à portée de main ?
L’écosystème des entreprises est en train de se modifier et de se structurer à un rythme élevé, ce qui a deux types de conséquences. Primo, de nouveaux leaders émergent et deviennent incontournables. Par ricochet, les acteurs traditionnels doivent se réinventer et repenser leur modèle de différentiation.
Ces nouveaux leaders appuient leur stratégie sur une maîtrise digitale totale et érigent des barrières à l’entrée quasi infranchissables.
Nous avons par exemple vu se renforcer depuis 2009 les pratiques de « trading-haute-fréquence » soit la capacité à générer des plus-values sur un nombre très élevé de micro-transactions d’une valeur unitaire faible, en quelques micro-secondes. Basées sur la capacité d’exécution en temps réel d’algorithmes mathématiques complexes, ces pratiques représentaient 35% des échanges boursiers il y a quelques années. Aujourd’hui, la part est passée à plus de 90%. Autre exemple : à l’heure de la mise au point des véhicules connectés et « auto-guidés », quels seront demain les nouveaux modèles de responsabilité en cas de sinistre entre le conducteur et le concepteur du système de guidage ? Ne deviendra-t-il pas évident de contracter l’achat du véhicule et son assurance avec le même fournisseur plutôt qu’avec un acteur traditionnel ?
La question se pose aussi pour des domaines plus largement répandus tels que la relation client. Les entreprises sont-elles toujours maîtres de la relation ou deviennent-elles au contraire dépendantes d’intermédiaires capables de traiter les données – par exemple les brokers, les sites de recommandations ?
Deux inducteurs de ces changements sont notables : la rapidité à laquelle les modèles évoluent et l’enrichissement continu de l’écosystème informationnel des entreprises.
Pour survivre, les entreprises doivent repenser leur chaîne de valeur et le positionnement de leurs segments stratégiques, en intégrant la maîtrise de l’information comme un avantage concurrentiel.
Et si nous mettions les fonctions et les technologies de l’information autour d’une même table pour construire un environnement agile et durable
Les leviers pour identifier les cas d’usage existent, à commencer par l’application de modèles de différentiation marketing éprouvés, appliqués à l’échelle de l’entreprise ou de l’entité. Mais la réussite d’une initiative Big Data vient de la capacité à prouver le cas, et par là même, le bien-fondé de la démarche.
Dans cette optique, nous préconisons une organisation en deux temps ne nécessitant pas forcément d’investissements lourds mais un mode de gouvernance dédié :
• La mise en place d’un Digital Lab : ce « lab » a pour objectif de tirer la valeur des informations, en appliquant différentes approches (expérimentation sur les sources, sur les croisements et corrélations de silos, sur le choix des assemblages technologiques et des méthodes mathématiques). Il nécessite un mode de travail « embarqué » dont l’équipe est a minima constituée d’un leader métier, d’un correspondant technique et du ou des data scientists en charge de composer les bons assemblages. Chaque cas métier doit pouvoir être prouvé dans des délais compris entre 1 et 3 mois suivant la complexité.
Ce mode de travail reste valable sur chaque nouveau cas à traiter, dans un mode laboratoire. Il vient enrichir les connaissances et porte les recommandations métier et IT pour construire un environnement durable.
• La construction d’un Digital Hub : en cas de succès et de généralisation de la démarche, il convient d’organiser et de rendre persistante la couche d’acquisition de données. Ce socle, ou hub informationnel, doit permettre d’être le réceptacle des différentes sources candidates aux expérimentations et de construire une architecture applicative pérenne, jusqu’à la mise à disposition de l’information (analytics, API, …).
Finalement, assez loin des principes de sérenpidité, une démarche Big Data réussie nécessite une analyse métier pragmatique porteuse de valeur ajoutée et une promesse d’exécution agile construite étape par étape, une amélioration continue basée sur les retours d’expérience et un mode de gouvernance adapté.
L’écosystème des entreprises est en train de se modifier et de se structurer à un rythme élevé, ce qui a deux types de conséquences. Primo, de nouveaux leaders émergent et deviennent incontournables. Par ricochet, les acteurs traditionnels doivent se réinventer et repenser leur modèle de différentiation.
Ces nouveaux leaders appuient leur stratégie sur une maîtrise digitale totale et érigent des barrières à l’entrée quasi infranchissables.
Nous avons par exemple vu se renforcer depuis 2009 les pratiques de « trading-haute-fréquence » soit la capacité à générer des plus-values sur un nombre très élevé de micro-transactions d’une valeur unitaire faible, en quelques micro-secondes. Basées sur la capacité d’exécution en temps réel d’algorithmes mathématiques complexes, ces pratiques représentaient 35% des échanges boursiers il y a quelques années. Aujourd’hui, la part est passée à plus de 90%. Autre exemple : à l’heure de la mise au point des véhicules connectés et « auto-guidés », quels seront demain les nouveaux modèles de responsabilité en cas de sinistre entre le conducteur et le concepteur du système de guidage ? Ne deviendra-t-il pas évident de contracter l’achat du véhicule et son assurance avec le même fournisseur plutôt qu’avec un acteur traditionnel ?
La question se pose aussi pour des domaines plus largement répandus tels que la relation client. Les entreprises sont-elles toujours maîtres de la relation ou deviennent-elles au contraire dépendantes d’intermédiaires capables de traiter les données – par exemple les brokers, les sites de recommandations ?
Deux inducteurs de ces changements sont notables : la rapidité à laquelle les modèles évoluent et l’enrichissement continu de l’écosystème informationnel des entreprises.
Pour survivre, les entreprises doivent repenser leur chaîne de valeur et le positionnement de leurs segments stratégiques, en intégrant la maîtrise de l’information comme un avantage concurrentiel.
Et si nous mettions les fonctions et les technologies de l’information autour d’une même table pour construire un environnement agile et durable
Les leviers pour identifier les cas d’usage existent, à commencer par l’application de modèles de différentiation marketing éprouvés, appliqués à l’échelle de l’entreprise ou de l’entité. Mais la réussite d’une initiative Big Data vient de la capacité à prouver le cas, et par là même, le bien-fondé de la démarche.
Dans cette optique, nous préconisons une organisation en deux temps ne nécessitant pas forcément d’investissements lourds mais un mode de gouvernance dédié :
• La mise en place d’un Digital Lab : ce « lab » a pour objectif de tirer la valeur des informations, en appliquant différentes approches (expérimentation sur les sources, sur les croisements et corrélations de silos, sur le choix des assemblages technologiques et des méthodes mathématiques). Il nécessite un mode de travail « embarqué » dont l’équipe est a minima constituée d’un leader métier, d’un correspondant technique et du ou des data scientists en charge de composer les bons assemblages. Chaque cas métier doit pouvoir être prouvé dans des délais compris entre 1 et 3 mois suivant la complexité.
Ce mode de travail reste valable sur chaque nouveau cas à traiter, dans un mode laboratoire. Il vient enrichir les connaissances et porte les recommandations métier et IT pour construire un environnement durable.
• La construction d’un Digital Hub : en cas de succès et de généralisation de la démarche, il convient d’organiser et de rendre persistante la couche d’acquisition de données. Ce socle, ou hub informationnel, doit permettre d’être le réceptacle des différentes sources candidates aux expérimentations et de construire une architecture applicative pérenne, jusqu’à la mise à disposition de l’information (analytics, API, …).
Finalement, assez loin des principes de sérenpidité, une démarche Big Data réussie nécessite une analyse métier pragmatique porteuse de valeur ajoutée et une promesse d’exécution agile construite étape par étape, une amélioration continue basée sur les retours d’expérience et un mode de gouvernance adapté.