La croissance des volumes de données remet en cause trois domaines : opérationnel, managérial et stratégique. À l’horizon 2019, le marché de l’analyse prédictive est estimé, par Transparency Market Research, à 6,5 milliards de dollars. Parmi les tendances marquantes : le développement des usages pour l’analyse des comportements des consommateurs, la lutte contre la fraude, la maîtrise des risques et le développement des offres en mode cloud.
Une telle croissance s’explique essentiellement par deux facteurs : d’une part, l’explosion des volumes de données, qu’elles soient structurées ou non structurées, et, d’autre part, la maturité des technologies, qui démontrent de plus en plus clairement leur apport en terme de création de valeur pour les utilisateurs. À cela s’ajoute, comme c’est le cas d’entreprises telles que la FNAC qui évoluent sur des marchés en déclin relatif, la nécessité de développer des approches multicanal, avec les outils marketing adéquats, dont l’analyse prédictive.
Ce sont d’ailleurs les secteurs très tournés vers les consommateurs qui recourent le plus souvent à l’analyse prédictive pour étudier les comportements de leurs clients : la banque, l’assurance, la pharmacie, les télécommunications et la grande distribution représentent 72 % du marché de l’analyse prédictive, ce dernier segment étant le plus dynamique, du fait, notamment, des masses de données collectées sur les consommateurs et leurs comportements.
Optimiser les actions marketing consiste à renforcer les dimensions prédictives, en agissant dans au moins trois domaines : la valeur client, les profils comportementaux et les opportunités commerciales. La valeur client se mesure à la fois par rapport au passé, au présent et de manière prédictive. Les valeurs passées et présentes prennent en compte les coûts commerciaux par client, ainsi que les revenus et marges générés. La valeur prédictive, elle, constitue une projection à court terme de la valeur passée du client, avec une pondération par le risque de perdre le client.
Le profil comportemental repose sur une segmentation selon le comportement d’achat, affinitaire (selon les dépenses en fonction des différentes gammes de produits) ou relationnel (attentes en terme d’accompagnement). Quant à l’analyse des opportunités commerciales, elle est fondamentale pour comprendre les parcours clients qui sont les plus fréquents et qui, s’ils sont anticipés, facilitent la prédictibilité, donc la probabilité de vendre plus, en passant d’une simple vision produit à une vision client.
Au-delà de ces aspects marketing et économiques, la croissance des volumes de données remet en cause le management des entreprises et des organisations. Les dirigeants peuvent ainsi légitimement se poser les questions suivantes, dans trois domaines : managérial, opérationnel et stratégique.
Sur le plan managérial : s’il était possible de tester toutes les décisions, par exemple avec l’analyse prédictive, cela changerait-il la stratégie de l’entreprise ? Probablement, car les managers pourraient ainsi mieux identifier les causes d’un phénomène et les conséquences de leurs décisions, en fonction de différents scénarios, au-delà de l’analyse de simples corrélations, et adapter leur stratégie en conséquence.
Sur le plan opérationnel : dans quelle mesure les offres d’une entreprise seraient-elles transformées si les énormes volumes de données disponibles étaient utilisés pour personnaliser, en temps réel, les solutions proposées aux consommateurs et prévoir leur comportement d’achat ?
Par exemple, un e-commerçant pourrait traquer, en temps réel, le comportement de ses prospects et identifier le moment où ils vont s’engager dans l’acte d’achat. Et, ainsi, pousser des offres à plus fortes marges. Sur ce plan, la grande distribution constitue un secteur privilégié d’expérimentation dans la mesure où foisonnent les informations issues des achats sur le Web, des réseaux sociaux et, aujourd’hui, de plus en plus, des données de géolocalisation des smartphones.
Sur le plan stratégique : l’exploitation des gisements de données peut-elle donner lieu à de nouveaux modèles d’affaires ? Probablement pour des entreprises qui se positionneraient comme intermédiaires dans la chaîne de valeur et joueraient le rôle de « super-agrégateurs » pour gérer des données transactionnelles de manière exhaustive.