Comment évaluer la valeur de la data (monétisation et business model) ?

De wikidatamarketing
Sauter à la navigation Sauter à la recherche


Introduction

La valorisation de nos données personnelles est un actif de notre économie digitale initiée par les GAFAM. Bien souvent, nous parlons de « la qualification de la Data » mais beaucoup moins de sa valeur, alors qu’on en distingue deux :

La valeur marchande, la data devient une « matière première » soumise à la loi de l’offre et de la demande ;

La valeur stratégique, plus la donnée est précise plus elle permet de générer des opérations marketing ultra pointues, elle est donc porteuses de valeur.


La donnée est une mine d’or (oui mais pas pour les artisans)

Dans Les principales capitalisations boursières mondiales, nombre d’entreprises voient leur valorisation calculée à partir de leur base de contacts qui devient donc un actif important.

La course à l’armement que se livrent la Chine et les Etats-Unis sur les volumes de données nécessaires à l’alimentation de l’Intelligence Artificielle crée une dynamique de progression exponentielle de la valeur des données. Sa valeur varie selon l’usage, la conservation ou l’analyse produite. Par exemple, si une date de naissance complète se valorise sur la base d’un indice 100 quand elle est embarquée dans un CRM, elle en vaut 50 quand elle est utilisée pour un travail de datamining. Enfin sa valeur se situera entre 10 et 1 pour segmenter l’audience d’une exposition digitale, mais elle pourra être achetée 30 fois de suite, par le même annonceur.

Ce marché, qui traite des grandes quantités, n’exprime pas les tarifs à l’unité mais au CPM (Coût Pour Mille). Si vous possédez une base avec 200 enregistrements, même s’ils sont exclusifs, vous risquez de ne pas trouver preneur. Avec les technologies « Big data » les limites sont régulièrement repoussées et les traitements volumineux sont favorisés et non limités. L’effet de bord, un peu comme la fameuse « ubérisation », démocratise l’usage de la donnée mais réduit considérablement la valeur d’un petit ou moyen « stock » de données. Il faut toujours plus de volume comme si les lois statistiques de l’échantillonnage n’avaient jamais existé.

Mais qui sait ou qui peut valoriser réellement chaque donnée ?


La donnée ne vaut rien (si vous ne l’exploitez pas à très grande échelle)

Quand elle est de faible volumétrie, que vous êtes le seul à la posséder, sans aucun cas d’usage la donnée ne porte aucune valeur. Valérie Peugeot (membre de la CNIL, présidente de l’association Vecam et chercheuse à Orange Labs) déclarait à juste titre :

« La donnée à l’échelle individuelle ne vaut rien ! Sa valeur marchande provient uniquement de l’agrégation de masse »

Courantes, spécifiques, uniques, exclusives ou encore interdites, les catégories de données sont nombreuses, voici un mini-guide pour vous aider à les « identifier » :

  • Les données de contact sont les plus fréquentes, il s’agit de la data traditionnelle et basique (civilité, prénom, nom, adresse postale, téléphone fixe ou mobile, adresses email) ; Elles permettent de s’adresser individuellement à une cible tout en ayant un minimum d’information liées à son mode de vie qui est défini à très grosses mailles par son lieu d’habitation (voir les fameux Iris 2000 ou les Carreaux)
  • Les données de profiling avec l’essor des bases mutualisées deviennent relativement faciles à collecter (centre d'intérêt, type d’habitation, type de famille, âge, récence d’emménagement, composition du foyer, etc.) ; Combinées aux données ci-dessus, vous commencez à porter un peu de valeur et les bases de la prédiction en datamining sont posées. Attention cependant aux apprentis sorciers qui vous font passer des données Iris, donc moyennées et calculées pour des données individuelles avérées.
  • Les données comportementales (goûts, loisirs, navigation Internet, lectures, fidélité, canal d’achat, moyen de paiement, etc…). Récoltées sur formulaires ou par traitement et recroisement de mégabase, ces données aident les marketeurs à mieux segmenter et personnaliser les offres. Elles ne sont pas toujours combinées aux deux précédentes catégories, c’est ainsi que vous pouvez vous adresser à une femme qui visite souvent le site d’un grand média sportif en la prenant pour un homme. Ces données sont victimes de la course au volume et au temps réel. Leur valeur diminue régulièrement.
  • Les données transactionnelles (achat en ligne, achat par correspondance, achat par téléphone, moyens de paiement utilisés, cartes de fidélités des enseignes, enrichis des dates et des montants des transactions puis valorisées dans des matrices RFM* ou PMG**) définissent le profil de consommateur d’un individu ou d’un ménage. Ici encore, quelques analyses (avant très précieuses et recherchées) ne suffisent plus. Il faut une multitude d’enseignes pour mutualiser les données de manière à définir le plus grand nombre de segments très fins de consommateurs. Les enseignes de la grande distribution illustrent cette tendance. Dans un premier temps elles ont mutualisé les données de leurs marques alimentaire, décoration, bricolage et automobile (par exemple), puis elles sont parties à la recherche d’alliés extérieurs pour gagner en valeur par association de données de contact, de profiling et de comportement.


Comme dans un jeu de cartes, chaque donnée est un atout mais porte une valeur relativement faible. Le gagnant est celui qui possèdent le plus d’atouts, tout en sachant en faire le meilleur des usages et les bonnes combinaisons de toutes les cartes.

Finalement une donnée isolée ne vaut rien sans un bon usage et sa bonne combinaison avec des données complémentaires. Pour preuve, l’univers de l’Open data (données gratuites) est de plus en plus fourni. Il obtient sa valeur du temps réel, de l’usage et de la gouvernance de ces données accessibles à tous. La valeur est donc créée par le traitement. Ce même traitement est encadré par le RGPD, faut-il y voir un signal d’avenir ?


Valoriser la donnée est un métier

Au même titre que le plus beau des bijoux vaut plus que le prix de son poids en or ou en diamant, c’est bien le traitement effectué avec les données qui leur donne toute la valeur.

Valoriser la donnée par le cas d’usage et son traitement est le métier qui associe compétence marketing et technique.

Facebook a acheté WhatsApp pour 19 milliards de dollars, soit environ 30 dollars le contact (600 millions d’utilisateurs estimés). Cette même transaction opérée par un fonds d’investissement ne se serait pas réalisée sur le même montant. La valeur des données de Whatsapp est portée par leur croisement aux données de Facebook ainsi qu’à la capacité de créer des cas d’usages par les équipes de Facebook qui n’existe pas dans les équipes d’un fonds d’investissement.

C’est bien le métier qui valorise la donnée et valoriser la donnée est bien un métier.

Commercialiser la donnée est aussi un métier qui commence par en extraire le plus de valeur possible.

Que ce soit une activité principale (data broker) ou annexe (régie publicitaire d’un e-commerçant, monétisation par un annonceur de son CRM, etc…) c’est dans l’expression et la création des usages possibles et à venir que vous ferez augmenter la valeur des données. C’est une bonne nouvelle pour les plus créatifs…

On peut distinguer trois types d’usages, liés aux finalités :

  • Finalité de communication
  • Finalité business
  • Finalité études

Nombre de cabinets de conseil viennent sur ce terrain jusqu’à challenger les agences de communication qui n’ont pas encore pris un positionnement « Data Driven ». Même les SSII viennent sur le terrain du marketing portées par les outils dans lesquels elles embarquent des cas d’usage « clés en main ».

Mais attention car la technologie peut aussi tuer la valeur intrinsèque de la donnée car elle repousse sans cesse les limites de traitement et fait émerger de nouveaux cas d’usage.

Il y reste une frontière à ne pas franchir et que l’extrait du RGPD ci-dessous a déjà anticipée :

Article. 9 du RGPD : « 1. Le traitement des données à caractère personnel qui révèle l'origine raciale ou ethnique, les opinions politiques, les convictions religieuses ou philosophiques ou l'appartenance syndicale, ainsi que le traitement des données génétiques, des données biométriques aux fins d'identifier une personne physique de manière unique, des données concernant la santé ou des données concernant la vie sexuelle ou l'orientation sexuelle d'une personne physique sont interdits. »


Conclusion

Vous devez rester dans une logique simple et conditionnée à deux facteurs : le bénéfice utilisateur et la rentabilité des opérations. Alors bonne valorisation de vos données !

L’avenir va sourire aux inventeurs de nouvelles données valorisées par des cas d’usage innovants. Les meilleurs d’entre eux seront ceux qui gagneront la course grâce à l’Intelligence Artificielle.


Auteur

Cette définition vous a été donnée par Marc de Fougerolles, CEO de Data Company, membre du Sncd (Organisation professionnelle de la Data Marketing Industrie)