L’obsession de la donnée ne peut pas être une stratégie

La donnée est au cœur de la transformation numérique et les entreprises n’hésitent pas à construire de gigantesques lacs de données (Datalakes) pour canaliser ce déluge et le mettre à la disposition de leurs métiers.

Le marketing a sans doute été un des premiers secteurs à voir dans le Big Data l’opportunité d’améliorer la pertinence des analyses marchés et la connaissance des clients et prospects. Les données ont généré un foisonnement d’initiatives, tout un marché s’est créé, chacun étant persuadé d’apporter une valeur unique dans l’analyse des parcours digitaux.

L’expertise de la donnée est devenue la composante incontournable du marketing.

Avec le digital, le marketing a gagné en professionnalisme et en technicité. Il joue un rôle prédominant dans une relation client qui se diversifie et se matérialise par un parcours varié.
Le problème n’est plus de collecter des données et de se complaire dans leur analyse, mais de les exploiter efficacement en les concentrant dans un univers commun – un Datahub- d’où elles partent et reviennent de manière fluide … en théorie, charge ensuite aux experts de transformer le mythe en réalité.

Chaque point de contact (web, blog, webinaires, conférences …) pourrait constituer une mine d’or sous réserve de savoir collecter, consolider et traiter correctement ces informations. Il est également nécessaire d’avoir les bonnes compétences pour en retirer des conclusions exploitables. Le marketing se dote ainsi de spécialistes de la donnée et chaque marketeur doit être à même d’avoir cette compétence.

Ces nouveaux profils doivent également interagir avec la Direction informatique et les fournisseurs. Il s’agit d’intégrer des solutions pérennes et facilement interconnectables à un existant tout en assurant la sécurité et la confidentialité des informations.
Cette interaction est d’autant plus fluide que la DSI opère sa propre mutation pour gagner en agilité et s’ouvrir sur ses clients internes et externes.

Le diable se cache dans les détails et les biais dans les données.

Le rôle de ces spécialistes de la donnée s’affirme plus encore avec l’utilisation de l’IA. Ses promesses sont alléchantes : scoring, chatbots, personnalisation, ciblage, système de recommandations, retargeting, nurturing…les algorithmes sont partout.

Le marketing rêvait d’être prédictif ? Il en prendrait presque la voie. Les données dictent leurs règles aux algorithmes de machine learning en participant à leur apprentissage : raison de plus pour renforcer la vigilance sur leur qualité. Les questions d’éthique soulevées par l’IA soulignent que les biais se cachent tout autant dans les algorithmes que dans les données.

Le RGPD est un rappel au respect du client. La tentation est grande d’abuser des données. La mise en place en mai 2018 du Règlement Général sur la Protection des Données (RGPD) est vécue par certains comme une contrainte qui les empêche de rivaliser à armes égales avec les GAFA américains et les BATX chinois.
Pourtant, le RGPD fait des émules dans le monde à l’image du « California Consumer Privacy Act » de janvier 2020. Ces garde-fous nous rappellent la valeur essentielle du respect des individus.

Le volume des données n’est pas une finalité

Les Datalakes débordent alors que souvent la question de leur utilisation n’a pas fait l’objet d’une réflexion stratégique et d’une étude approfondie de leur exploitation. Quelles données et pourquoi faire ? Les lacs de données ne sont que des architectures techniques au service de l’entreprise et de ses valeurs.

Il convient de façonner et de restituer cette matière brute à travers une « Datavisualisation » idoine et de passer de la théorie au vécu de l’entreprise. Les algorithmes nous aident mais la solution est dans nos mains et le chemin pour l’implémenter est semé d’embuches, ne nous y trompons pas.

La technologie ne doit pas nous déposséder de notre savoir-faire et de nos intuitions créatives. Elle étend le champ des possibles, et c’est à nous qu’il revient de prendre l’initiative, de nous former en continu et de donner du sens à la façon dont nous modelons les données.