Florian Douetteau, CEO, Dataiku
Les médias face au virage du numérique
À la fin du XXe siècle, les médias ont connu un âge d'or, avec une concurrence limitée et deux cibles identifiées : le lecteur et l'annonceur. L'avènement du numérique est venu bouleverser l'équilibre économique des médias, qui doivent désormais faire face à une audience volatile, à la concurrence de nouveaux acteurs, apparus avec internet, et à une baisse des abonnements. Dernier exemple de ce bouleversement : le passage du quotidien britannique The Guardian au format tabloïd pour tenter d'endiguer les pertes financières du journal, qui n'a pourtant jamais eu autant de lecteurs avec 150 millions[1] de visiteurs uniques par mois sur sa version numérique.
La data au coeur du modèle économique des médias
Face à ces difficultés, c'est l'adaptabilité, à travers le recours aux technologies d'intelligence artificielle, qui permettra aux médias de réussir leur transformation numérique. Grâce au trafic qu'ils génèrent — paradoxalement, les médias traditionnels ont vu leur lectorat augmenter : 90 millions pour le New York Times et jusqu'à 230 millions pour le Daily Mail — les médias disposent d'une énorme quantité de données ; soit une véritable mine d'or, au moment où la monétisation du Big Data devient un enjeu crucial dans la plupart des secteurs économiques. Certains médias ont pris conscience de l'importance d'exploiter leurs données mais la plupart d'entre eux n'exploitent, pour le moment encore, qu'une petite part de la capacité réelle de leurs données. Débloquer cette capacité nécessite de l'organisation et du changement.
L'analyse prédictive : un puissant levier d'optimisation
L'analyse prédictive pourrait être la solution pour optimiser l'analyse de données. Il s'agit de la méthode analytique la plus aboutie, servie par des technologies de pointe comme l'intelligence artificielle et renforcée par le Machine Learning, cette capacité des programmes à apprendre par eux-mêmes pour améliorer la pertinence de leurs résultats. L'analyse prédictive permet d'optimiser la valeur ajoutée extraite de l'analyse des données brutes, à travers trois améliorations majeures :
En liant les données fragmentées (pages vues, historiques, commentaires) l'analyse prédictive offre une vision globale des pratiques et des goûts des consommateurs. Cela permet d'optimiser la production et la publication de contenu, renforçant ainsi l'attractivité du média et prévenant la perte de clientèle.
En basant l'analyse sur l'historique des données, la prédiction en temps réel des tendances et des comportements permet d'anticiper les actions des consommateurs. Résultat : de meilleures recommandations de contenu et des publicités personnalisées, qui augmentent la conversion client et donc l'attractivité des médias pour les annonceurs.
Grâce à la gouvernance des données, le traitement automatisé et évolutif[2] des données réduit le temps passé à dupliquer le travail. Ces workflows[3], que l'on peut reproduire, permettent à l'équipe data d'être plus innovante et de gagner en productivité.
L'analyse de données, au coeur du futur modèle économique des médias ?
Par la connaissance globale et exploitable des consommateurs qu'elle apporte, l'analyse prédictive permet de proposer des contenus plus pertinents, et un meilleur ciblage publicitaire. En basant leur modèle économique sur l'analyse prédictive des données, les médias optimiseront les revenus qu'ils tirent des ventes et des abonnements. Le rapport 2017 de la Goldsmith University of London : Réinventer la Fidélité : comprendre le comportement du consommateur à l'ère de l'expérience[4], fait ainsi état de 68% des consommateurs se déclarant fidèles aux marques qui leur proposent une expérience adaptée à leurs goûts et préférences.
L'analyse prédictive permet également aux médias d'accroître leurs revenus publicitaires. Les médias traditionnels ont en ceci l'avantage qu'ils peuvent capitaliser sur leur notoriété et leur audience, pour attirer les meilleurs annonceurs.
Trouver un nouveau modèle économique et assurer leur autosuffisance est essentiel à l'indépendance des médias. Cette indépendance est d'autant plus importante qu'elle permet à la presse de continuer à garantir une information de qualité, et de maintenir son rôle de contrepouvoir. Au XXIe siècle, plus qu'un défi économique, c'est un défi démocratique, que la technologie, à travers l'intelligence artificielle, peut permettre de relever avec succès.
[1] Source : Rapport annuel du Guardian Media Group : https://uploads.guim.co.uk/2017/07/25/GMG_Plc_Group_&_GMG_Parent_Final.pdf
[2] La scalabilité est la capacité d'un produit à s'adapter à un changement d'ordre de grandeur tout en maintenant sa performance.
[3] Le workflow désigne une suite de tâches ou d'opérations effectuées par une personne ou un groupe de personnes.
[4] Source : Rapport Goldsmith 2017 : https://blogs.adobe.com/digitaleurope/files/2017/09/Adobe-Goldsmiths-Reinventing-Loyalty-FR-1.pdf
À la fin du XXe siècle, les médias ont connu un âge d'or, avec une concurrence limitée et deux cibles identifiées : le lecteur et l'annonceur. L'avènement du numérique est venu bouleverser l'équilibre économique des médias, qui doivent désormais faire face à une audience volatile, à la concurrence de nouveaux acteurs, apparus avec internet, et à une baisse des abonnements. Dernier exemple de ce bouleversement : le passage du quotidien britannique The Guardian au format tabloïd pour tenter d'endiguer les pertes financières du journal, qui n'a pourtant jamais eu autant de lecteurs avec 150 millions[1] de visiteurs uniques par mois sur sa version numérique.
La data au coeur du modèle économique des médias
Face à ces difficultés, c'est l'adaptabilité, à travers le recours aux technologies d'intelligence artificielle, qui permettra aux médias de réussir leur transformation numérique. Grâce au trafic qu'ils génèrent — paradoxalement, les médias traditionnels ont vu leur lectorat augmenter : 90 millions pour le New York Times et jusqu'à 230 millions pour le Daily Mail — les médias disposent d'une énorme quantité de données ; soit une véritable mine d'or, au moment où la monétisation du Big Data devient un enjeu crucial dans la plupart des secteurs économiques. Certains médias ont pris conscience de l'importance d'exploiter leurs données mais la plupart d'entre eux n'exploitent, pour le moment encore, qu'une petite part de la capacité réelle de leurs données. Débloquer cette capacité nécessite de l'organisation et du changement.
L'analyse prédictive : un puissant levier d'optimisation
L'analyse prédictive pourrait être la solution pour optimiser l'analyse de données. Il s'agit de la méthode analytique la plus aboutie, servie par des technologies de pointe comme l'intelligence artificielle et renforcée par le Machine Learning, cette capacité des programmes à apprendre par eux-mêmes pour améliorer la pertinence de leurs résultats. L'analyse prédictive permet d'optimiser la valeur ajoutée extraite de l'analyse des données brutes, à travers trois améliorations majeures :
En liant les données fragmentées (pages vues, historiques, commentaires) l'analyse prédictive offre une vision globale des pratiques et des goûts des consommateurs. Cela permet d'optimiser la production et la publication de contenu, renforçant ainsi l'attractivité du média et prévenant la perte de clientèle.
En basant l'analyse sur l'historique des données, la prédiction en temps réel des tendances et des comportements permet d'anticiper les actions des consommateurs. Résultat : de meilleures recommandations de contenu et des publicités personnalisées, qui augmentent la conversion client et donc l'attractivité des médias pour les annonceurs.
Grâce à la gouvernance des données, le traitement automatisé et évolutif[2] des données réduit le temps passé à dupliquer le travail. Ces workflows[3], que l'on peut reproduire, permettent à l'équipe data d'être plus innovante et de gagner en productivité.
L'analyse de données, au coeur du futur modèle économique des médias ?
Par la connaissance globale et exploitable des consommateurs qu'elle apporte, l'analyse prédictive permet de proposer des contenus plus pertinents, et un meilleur ciblage publicitaire. En basant leur modèle économique sur l'analyse prédictive des données, les médias optimiseront les revenus qu'ils tirent des ventes et des abonnements. Le rapport 2017 de la Goldsmith University of London : Réinventer la Fidélité : comprendre le comportement du consommateur à l'ère de l'expérience[4], fait ainsi état de 68% des consommateurs se déclarant fidèles aux marques qui leur proposent une expérience adaptée à leurs goûts et préférences.
L'analyse prédictive permet également aux médias d'accroître leurs revenus publicitaires. Les médias traditionnels ont en ceci l'avantage qu'ils peuvent capitaliser sur leur notoriété et leur audience, pour attirer les meilleurs annonceurs.
Trouver un nouveau modèle économique et assurer leur autosuffisance est essentiel à l'indépendance des médias. Cette indépendance est d'autant plus importante qu'elle permet à la presse de continuer à garantir une information de qualité, et de maintenir son rôle de contrepouvoir. Au XXIe siècle, plus qu'un défi économique, c'est un défi démocratique, que la technologie, à travers l'intelligence artificielle, peut permettre de relever avec succès.
[1] Source : Rapport annuel du Guardian Media Group : https://uploads.guim.co.uk/2017/07/25/GMG_Plc_Group_&_GMG_Parent_Final.pdf
[2] La scalabilité est la capacité d'un produit à s'adapter à un changement d'ordre de grandeur tout en maintenant sa performance.
[3] Le workflow désigne une suite de tâches ou d'opérations effectuées par une personne ou un groupe de personnes.
[4] Source : Rapport Goldsmith 2017 : https://blogs.adobe.com/digitaleurope/files/2017/09/Adobe-Goldsmiths-Reinventing-Loyalty-FR-1.pdf