Le baromètre 2019
MRNews-Callson
< Retour au dossier

DOSSIER : Big Data : tarte à la crème ou révolution pour les études marketing ? (volet 1)

Big Data : orgueil et préjugés ?

Dominique Levy-Saragossi
et Gildas Vignaud

Directrice Générale
et Directeur de l'Innovation
Ipsos France

 

 

Pour Dominique Levy-Saragossi et Gildas Vignaud (Ipsos), le Big Data et les développements qu’il occasionne constituent clairement un des plus gros enjeux qu’ait jamais connu le monde des études. Côté annonceurs, avec une mutation de la fonction Etudes. Et plus radicalement encore pour les instituts d’études, qui devront vraisemblablement en passer par des changements radicaux, avec un métier et des modèles économiques à ré-inventer !

Comment décririez-vous l’attitude de vos clients et des annonceurs au sujet du Big Data ? En d’autres termes, ce thème correspond-il à une réelle préoccupation pour eux, ou bien n’intéresse-t-il que les médias ?

Il est clair qu’aujourd’hui, il ne se passe pas un jour sans qu’un article ne paraisse sur ce thème et sans que les entreprises ne reçoivent des invitations à des conférences ou des sollicitations émanant de « spécialistes du Big Data » plus ou moins reconnus. La sensibilité des entreprises est donc très forte sur ce thème : tout le monde en a – a minima – entendu parler et veut se faire une opinion. Pour autant – et pour l’instant – une petite minorité de nos clients sont déjà passés au stade de l’expérience. D’après une étude réalisée en juin dernier pour notre Wine and Research Club, moins de 10% d’entre eux l’auraient fait. On nous demande donc, et de plus en plus, d’aider à comprendre ce qu’il y a à comprendre sur ce sujet et d’exposer nos propres projets et progrès.

Si la sensibilité est forte, et les sollicitations nombreuses, on peut imaginer que les pratiques vont très vite décoller, non ?

Sans doute, mais  le « comment » n’est pas encore très clair. Une première question est d’identifier les acteurs  qui seront moteurs de l’usage du Big Data dans les entreprises. Nos interlocuteurs « études » sont, en effet, sensibilisés à ces problématiques, mais leur curiosité s’exprime parfois, aussi, sur un mode dubitatif. Le contexte joue pour beaucoup. Il y a (là encore notre étude en témoignait) une tension certaine sur les budgets études. Plus de ressources pour le Big Data et ses possibilités, c’est, potentiellement, moins de moyens pour les études traditionnelles. Et, ce, alors que, s’il y a une évidence théorique incontestable quant à l’intérêt du Big Data, personne n’a encore véritablement prouvé que cela permettait de prendre des décisions business plus « intelligentes » ou plus rapides !  L’exploration commence, l’exploitation est moins avancée.

A côté des études marketing « classiques », il existe depuis déjà longtemps le data mining, avec l’exploitation des bases de données clients des entreprises. Le data-mining ne préfigure-t-il pas ce que peut apporter le Big Data ?

Le datamining exploite des données préalablement structurées. Il n’y a donc pas d’obstacle majeur à « brancher » des systèmes d’analyse peu ou prou comparables à ceux habituellement utilisés pour les données d’études. On peut utiliser des techniques de scoring, de typologie, de recherches de causalité… La puissance de calcul nécessaire peut induire une difficulté technique, mais il n’y a pas de  véritable barrière « intellectuelle ». Beaucoup d’entreprises (dont Ipsos !) procèdent  de longue date à des analyses agrégeant des données issues d’études et des données internes, telles que des données de vente, ou des données exogènes à l’entreprise. On peut ainsi mesurer l’impact des actions marketing de nos clients et de leurs concurrents (les dépenses publicitaires, la distribution, les efforts promotionnels) sur les ventes, l’image ou la fidélité des consommateurs. Ce n’est pas très nouveau et ces techniques sont très maitrisées par nos équipes (Ipsos dispose, avec MMA, d’une cellule dédiée à cette expertise), mais aussi par un assez grand nombre d’annonceurs ou de conseils. Mais, encore une fois, il s’agit de travailler sur un corpus de données fini et structuré. L’enjeu du Big Data est d’aborder l’infini et le non structuré. C’est une autre histoire.

Quelles sont donc ces difficultés spécifiques posées par l’exploitation du Big Data ?

On évoque souvent d’abord les aspects de volumétrie de données. C’est d’abord notre cadre mental qui  doit se modifier. Il ne s’agit plus d’échantillon, mais éventuellement de millions d’individus. De même, l’enjeu n’est plus d’exploiter quelques variables rattachées à un individu donné, mais parfois des millions de données hétérogènes pour chacun. Ce sont par exemple l’ensemble des recherches qu’ont effectuées ces individus sur les différents moteurs de recherche, ou plus largement tout leur parcours digital. Ces données, cela va sans dire s’actualisent en permanence (il ne s’agit plus de traiter un corpus mais des flux). A ceci s’ajoute un constat que nous avons rapidement pu faire : la nature  même des données  en question rend nos techniques d’analyse habituelles largement inopérantes.

Parce que ces données ne sont pas normées ?

En réalité, outre leur hétérogénéité, c’est surtout la granularité des données à analyser qui pose des difficultés. Prenons l’exemple des typologies, qui sont souvent utilisées dans les études.  Schématiquement, il s’agit, à partir d’un nombre important de données, de constituer des « paquets ». Or, le plus souvent, la donnée disponible dans ce qu’on appelle le Big Data n’est pas réductible par ces approches. Si vous avez une chaine de trente éléments, la probabilité que vous parveniez à constituer 3 paquets  distincts de dix éléments chacun est relativement forte. Mais cette probabilité devient faible voire nulle si votre chaîne ne comporte des milliers d’éléments. Ces difficultés  nous obligent à aller voir ailleurs, à nous intéresser à d’autres modèles d’analyse comme, par exemple, à ceux utilisés pour le décodage des génomes, qui analysent des séquences d’informations et non des séries. Nous cherchons à trouver d’autres schémas d’explication, d’autres modèles... Nous faisons face à une double difficulté liée au volume et à la nature des données. Et le paramètre de vitesse intervient de plus en plus. Il faut faire vite, parce que les données se ré-incrémentent en continu. Cela contribue à ce même constat de fond : nous devons chercher et construire d’autres modalités d’analyse que celles issues des études. En toute honnêteté, ce travail d’exploration ne fait que commencer

On retrouve les fameux 3 V souvent cités au sujet du Big Data.  D’autres enjeux interviennent, au-delà de ces 3 points ?

Il y a en effet une difficulté majeure pour les annonceurs, qui est celle du dialogue avec les acteurs qui disposent des données. Les entreprises se retrouvent face à des entités qui ont branché des « aspirateurs à données » à des fins (initiales) étrangères aux études, y compris dans leur business model. Ils ne captent pas les données pour  comprendre, mais de façon opportune ou empirique, ou encore pour proposer de l’adressage. Il y a donc un enjeu de dialogue. Cela me fait penser à un conte polonais : un fou se promène dans les villages en criant « j’ai les réponses, j’ai les réponses ! Mais où sont les questions ? » On est dans ce dialogue un peu étrange avec d’un côté des « pure-players » qui disent « j’ai tout », et en face, des gens d’études qui répondent « d’accord, mais vous avez quoi ? ». Cela ne durera pas. Tôt ou tard, ce dialogue se structurera.

En l’occurrence, qui sont ces acteurs qui disposent des données ?

Il y a des acteurs des  nouveaux médias, bien sûr, mais aussi de grands acteurs du web qui sont  souvent dans des postures expérimentales par rapport aux données qu’ils récupèrent. Nous rencontrons aussi des start-up qui font de l’intégration de données, souvent en utilisant de l’open data. Certains branchent là-dessus des compétences de type BI ou data-visualisation. Ils n’analysent pas les données, mais ils les rendent exploitables, avec de la cartographie, des Dashboards, etc.

Mais au fond, que diriez-vous de la portée du Big Data sur les études marketing. Est-ce que cela va faire évoluer cet univers, ou bien faut-il plutôt parler d’une révolution ?

Je suis tentée de faire une réponse de normand. Ou plus exactement une double réponse. Si je regarde les choses du point de vue du métier, comme  un responsable d’études en institut ou chez l’annonceur, le Big Data représente une évolution enthousiasmante. C’est l’accès à de nouveaux champs d’intelligence de la consommation. C’est l’invention d’un nouveau métier, celui de « data scientist ». Mais si je mets ma casquette de dirigeante d’institut d’études, cette explosion est aussi une vraie remise en question. Ne nous cachons pas derrière notre petit doigt, le Big Data représente aussi une révolution de notre modèle économique. Et cette révolution, technologique, humaine, intellectuelle est, bien sûr, un challenge pour nous ! Notre métier des études a plus changé au cours de 2 ou 3 dernières années qu’au cours des 25 années précédentes ; et ce n’est certainement pas fini !

C’est un changement de métier et de périmètre concurrentiel ?

Potentiellement, oui. Le métier des études se porte raisonnablement bien sur les deux extrêmes de la chaîne : celui de l’insight, de la compréhension « stratégique », de l’accompagnement et celui  de l’action (par exemple quand nous repérons individuellement des clients mécontents et générons des alertes immédiates). Mais la situation est moins confortable sur l’entre deux. La fonction informative, le « nice to know » ne suffit plus. Le Big data contribue à ce changement de mindset, d’état d’esprit. Cela nous oblige à nous poser la question la plus nécessaire qui soit, celle de notre valeur : à quoi servons-nous ? Nous devons intégrer ce nouveau champ élargi, comprendre ce que ces nouveaux acteurs font. Cela nous oblige enfin à expérimenter, voire à tâtonner ce qui, admettons-le, est assez nouveau pour beaucoup d’instituts et d’annonceurs.

Qui sera selon vous le principal concurrent d’Ipsos dans dix ou quinze ans ?

Honnêtement, nous n’en sommes pas sûres. Mais considérer que nos seuls vrais concurrents seront encore les autres instituts d’étude serait stupide. Le fait est que, selon nos différents métiers, nous nous retrouvons face à des concurrents différents. Pour Ipsos Loyalty, par exemple, nous travaillons de plus en plus avec ou contre des fabricants d’EFM (enterprise feedback management). Ils ont une technologie souvent intéressante mais pas notre compétence dans le conseil et l’accompagnement du changement, ce qui nous permet souvent de faire la différence. Nos futurs concurrents seront peut-être aussi des plate-formes de co-création, même si ces offres sont aujourd’hui peu opérantes. L’option la plus vraisemblable est celle d’une concurrence multiforme avec des cabinets de conseil, des bureaux de tendance, des plateformes de co-création du côté de l’insight et, du côté de l’action, des acteurs du web, de la technologie. Nous n’avons en tout cas donc pas d’autre option que de devenir polymorphe, et de jouer de nos atouts : qui est notre aptitude à jouer un rôle d’intégrateur et notre intimité avec les problématiques de nos clients.

Tout cela pose la question de la nature de vos interlocuteurs chez les annonceurs…

C’est effectivement un point essentiel. Nos interlocuteurs sont principalement les équipes « études » des annonceurs. Nous voulons travailler de mieux en mieux avec ces équipes en nous forgeant une compréhension commune des évolutions majeures, en les accompagnant dans ces mutations, en contribuant au dialogue entre eux et d’autres acteurs de l’entreprise.  C’est l’esprit de notre Wine & Research Club, qui reçoit un excellent accueil.

Quels conseils donneriez-vous aux dirigeants d’une entreprise qui souhaiteraient faire les bons premiers pas dans l’exploitation du potentiel du Big Data ?

Celui qui n’essaie pas ne se trompe qu’une seule fois, chantait Véronique Sanson. Il faut donc s’y mettre, commencer petit, se tromper parfois et apprendre, surtout. Le conseil que nous donnerions donc à un directeur général, serait de passer au stade de l’expérience, en commençant par identifier des profils intéressants dans ses équipes pour travailler sur ce champ-là, sans perdre trop de temps sur la question de savoir si ces gens doivent être rattachés au CRM, au Consumer Insight ou à la DAF. Il faut sans doute accepter d’aller chercher des profils un peu particuliers, de créer des fonctions hybrides, et d’accepter un peu de désordre ou -au moins- d’empirisme. Les partenariats seront sans doute nécessaires, également. Personne n’a les clés aujourd’hui, il  va falloir les trouver ensemble.

Sur quoi doivent porter ces expériences ?

Il y a tout ce qui relève de ce que l’on appelle le Consumer Journey, la connaissance et la compréhension du parcours du consommateur, online et offline, en intégrant le fait qu’il n’y a pas d’un côté un monde « digital » et de l’autre, un monde qui serait non-digital. Cette opposition-là est dépassée.

Et quels conseils donneriez-vous à des personnes qui sont aujourd’hui sur des fonctions études dans les entreprises ?

Je crois réellement qu’elles doivent s’approprier ces enjeux et les compétences qui gravitent autour du Big Data. C’est sans doute la meilleure option pour pouvoir évoluer de façon intéressante et faire évoluer la fonction étude. Si elles ne le font pas, si elles ne préemptent pas le Big Data, d’autres le feront ! Nous avons tous plus à gagner en essayant qu’en fuyant.  N’ayons pas peur.


 POUR ACTION 

Commenter 

• Echanger avec l'interviewé(e) : @ Dominique Levy-Saragossi  @ Gildas Vignaud

• Partager sur LinkedIn